Review Paper, “Using the Taguchi method for
effective market segmentation”
Department of Information Management, Chia-Nan University of Pharmacy & Science,
Tainan, Taiwan, ROC
Abstract— Penelitian ini bertujuan untuk melakukan segmentasi
yang lebih efektif dengan menggunakan Metode Taguchi. Penelitian
ini juga membandingkan hasil dari Self-Organizing Map (SOM)
untuk aplikasi terhadap keadaan nyata untuk segmen yang suka the.
Hasilnya menunjukkan bahwa metode ini dapat memperbaiki
performansi dari segmentasi.
Keywords—Self-Organizing Maps (SOM), segmentasi pasar,
analisis cluster, metode Taguchi
I. PENDAHULUAN
Segmentasi pasar adalah metode yang digunakan untuk
menemukan kategori konsumen berdasarkan criteria tertentu.
Riset pasar yang sering digunakan untuk melakukan
segmentasi tersebut adalah analisis cluster, terutama dengan K-
Means. Walaupun sering digunakan, metode K-Means juga
hanya tergantung dari lokasi initial seed, sehingga untuk
menutupi kekurangannya, digunakan metode Genetic
Algorithm. Algoritma K-Means tersebut juga tidak mempunyai
mekanisme yang soesifik untuk memilih initial seed, sehingga
hasil yang didapatkan tidak sesuai atau Garbage In Garbage
Out. Oleh sebab itu, untuk melakukan pengklasifikasian
dengan lebih efektif dan mendapatkan hasil yang optimal,
dilakukan sebuah indicator, yaitu metode Taguchi untuk
mencari intial seed. Salah satu penerapan dari kombinasi
metode ini adalah untuk penelitian pasar the.
Analisis cluster merupakan metode riset pasar yang banyak
digunakan untuk mengidentifikasi segmen pasar. Kendari
demikian, sering kali analisis cluster dikombinasikan dengan
metode yang lain untuk membentuk grup dengan kohesi
internal dan isolasi external.
Metode cluster yang paling sering digunakan adalah K-Means
karena dapat mengakomodasi jumlah sampel yang besar.
Namun, keterbatasan penggunaan metode ini adalah karena
peneliti atau pengguna harus menentukan terlebih dahulu
initial seeds, sehingga sering kali metode K-Means digunakan
sebagai bahan untuk pembuktian setelah menggunakan metode
hirarki.
Seiring dengan perkembangan ilmu pengetahuan, maka
Artificial Neural Networks berhasil diaplikasikan pada area
bisnis, seperti segmentasi pasar dan peramalam penjualan.
Selain itu, penggunaan Self Organizing Map dapat digunakan
untuk mementukan jumlah cluster secara visual. Oleh sebab itu
metode tersebut menghasilkan hasil yang lebih akurat
dibandingkan dengan metode konvensional.
Metode Taguchi merupakan salah satu metode yang popular
untuk mengopatimasi parameter desain. Metode ini
memperbaiki kualitas dari produk berdasarkan konsep statistik
14415005 | Tio Angie Pricillia Samosir
dan engineering. Metode ini menekankan perbedaan antara
nilai fungsional dan nilai objektif. Berdasarkan diskusi
tersebut, eksperimen yang dimaksud adalah untuk mencari
initial seed yang optimum dan menyusunnya berdasarkan
ranking tertentu. bagian selanjutnya akan membahas
bagaimana K-Means, ANN, SOM, GA dan metode Taguchi
dapat diaplikasikan ke permasalahan yang diteliti pada paper
ini.
II. PENGERTIAN TOPIK DAN PENGEMBANGANNYA
A. K-Means
Metode K-Means merupakan metode yang digunakan dengan
memilih K cluster awal dari N observasi dan dikelompokkan
berdasarkan jaraknya kepada cluster lain hal ini berulang kali
dilakukan hingga tidak terdapat cluster lagi yang dapat
dikelompokkan kepada cluster tertentu dan tidak terjadi
penambahan cluster baru. Beberapa kekurangan dari algoritma
ini adalah tidak dapat diaplikasikan atau bekerja ketika terjadi
overlap terhadap clustetr, hasilnya tidak tergantung dari cluster
awal dan tidak adanya optimasi terhadap cluster awal. Artinya
jumlah tersebut diasumsikan sudah valid.
B. Artificial Neural Network
Peramalan penjualan merupakan hal yang sangat krusial bagi
sistem pengambil keputusan. Nilai ramalan ini dapat digunakan
untuk menentukan spesifikasi di lantai produksi, misalnya
adalah pembelian bahan baku, pertimbangan harga, dsb.
Metode konvensional menggunakan metode time series, antara
;ain membandingkan hasil penjualan beberapa tahun terakhir
dengan waktu. Hal ini dapat dilakukan salah satunya dengan
cara regresi. Kendati demikian, tetap ada pengambil keputusan
yang berdasarkan pada intuisi dan pengalaman mereka. Salah
satu penerapannya adalah dengan cara pendekatan yang tidak
memiliki model, yaitu ANN untuk melakukan peramalan
penjualan.
C. Self-Organizing Maps (SOM)
SOM adalah teknik yang bertujuan melakukan visualisasi
terhadap data melalui self-organizing neural networks sehingga
terdapat data yang dapat dipetakan. Metode pembelajaran
dalam SOM bersifat tanpa bimbingan dari data input atau
supervised learning dengan mengasumsikan topologi yang
terstruktur menjadi cluster. Setiap data yang dipetakan bersifat
mutually exclusive. Kendati demikian terdapat keterbatasan
dari SOM, yaitu tidak dapat menunjukkan berapa jumlah
cluster dan kondisi untuk berhentinya.
D. GA Clustering Algorithms dengan cara meninjau prosesnya dan meminimalisir
GA adalah algoritma pemecahan masalah untuk menyelesaikan penyimpangan target. Produk harus didesain agar menjadi
permasalahan yang kompleks. Algoritma ini mengelompokkan robust design, artinya tahan terhadap lingkungan (noise factor).
data secara genetic, salah satu yang dibutuhkan adalah
ketepatan informasi. Tujuan GA ini juga adalah
mengelompokkan komponen dan melakukan optimisasi.
Langkah pertama metode ini adalah mengidentifikasi masalah
dengan menggunakan kode biner. setiap data atau kromosom
diasumsikan membawa sifat tertentu yang nantinya akan
dievaluasi. GA dimulai dengan n populasi random yang
masing-masing memiliki solusi yang dapat digeneralisasi.
Kegunaan GA adalah untuk memperbaiki teknik dari artificial
intelligence untuk mendapatkan popularitas. Kegunaan lainnya
adalah untuk mengurangi keterbatasan K-means. Kombinasi
dengan K-means adalah memilih data dengan menggunakan
GA serta mengklarifikasinya dengan K-Means.
Kelebihan dari setiap metode :
1. K-Means
Tingkat akurasi yang tinggi bila jumlah cluster awal
sudah diketahui dan dapat digunakan untuk data
dengan jumlah besar
2. ANN
Pengelompokan dilakukan secara natural dan dapat
digunakan untuk data dengan jumlah besar
3. Metode Ward’s Minimum Variance Gambar 1 Metode Taguchi
Dapat menentukan jumlah cluster
4. Metode GA III. PENDEKATAN MASALAH
Dapat menentukan jumlah cluster A. Desain Parameter menggunakan Metode Taguchi
Metode Taguchi mengeksekusi setiap variabel secara stimultas
untuk menghasilkan optimasi yang lebih efektif dan efisien
Kekurangan dari setiap metode : dengan sedikit experimen. Selain itu terdapat Signal-to-Noise
untuk mengukur kekonsistenan proses.
1. K-Means
Rumus SN adalah sebagai berikut:
Tidak dapat menentukan jumlah cluster dan terdapat
kemungkinan untuk salah mengelompokkan data
2. ANN
Waktu pengelompokan lama dan sulit untuk
mengubah parameter penilaian dari setiap hasil. Dengan yi adalah respon untuk setiap indicator ke-i, n adalah
3. Metode Ward’s Minimum Variance jumlah sampel yang dibutuhkan untuk memenuhi parameter
tersebut.
Tidak dapat mengolah data dengan jumlah yang besar
dan tidak rentan terhadap outlier.
4. Metode GA
Waktu pengelompokan lama.

E. Metode Taguchi
Metode Taguchi merupakan kemampuan untuk membuat
desain yang optimal dengan mengacu pada variabel kontrol.
Metode Taguchi juga dapat digunakan untuk pengembangan
eksperimen faktorial dan analisis hasilnya. Taguchi method
berupaya untuk meningkatkan kualitas dari hasil produksi

14415005 | Tio Angie Pricillia Samosir

 Gambar 2 Hasil Ortogonal Array Konsumen

Gambar 3 Analisis Variansi Orttogonal Array Konsumen

Gambar 5 Mekanisme Sistem yang Diusulkan

Gambar 4 Grafik Hasil SN Gambar 6 Hasil Cluster

Karakteristik variasi berbanding terbalik dengan ratio SN.

Artinya semakin besar ratio SN, maka semakin konsisten
sistem tersebut. Berdasarkan analisis ANOVA, maka dilihat
faktor mana yang berbeda signifikan. Proses ini
mengidentifikasi factor kontrol dan mengestimasi dampak dari
faktor tersebut. Sebagai tambahan, Taguchi method digunakan
untuk untuk melihat kondisi yang memiliki variansi yang
paling kecil sehingga desainnya konsisten. Prosedurnya adalah
sebagai berikut.

Step 1 : Merencanakan eksperimen

1. Menetukan factor control, factor noise (penganggu) dan
respon kualitas yang diharapkan untuk produk atau proses.
2. Menentukan level tiap factor

14415005 | Tio Angie Pricillia Samosir

3. Memilih tabel orthogonal array (OA). OA yang tepat
bergantung pada jumlah factor dan interaksi,dan jumlah level
factor.
4. Mengubah data dari ekperimen ke dalam ratio S/N.

Step 2 : Implementasi eksperimen

Step 3 : Analisis dan menguji hasil.

1. Menggunakan analisis ANOVA untuk mengidentifikasi
parameter yang signifikan
2. Menggunakan analisis plot untuk mengidentifikasi level
yang optimal dari factor control
3. Menunjukkan analisis dari rasio factor kontribusi
4. Mengonfirmasi eksperimen dan menyusun rencana aplikasi
ke depannya
B. Metode Taguchi untuk memilih intial seeds Gambar 7 Prototype Sistem yang Lama
Tujuan dari metode taguchi adalah mencari intial seeds untuk
meminimasi inersia antar kelas. Untuk mencari seed yang
optimal, ‘inersia antar kelas’ didapatkan dari ketepatan
fungsinya.
Untuk menemukan nilai optimal dari setiap centroid cluster.
Jarak antar kelas bergantung pada nilai fitur. Untuk variable
biner dengan angka 0 atau 1, panjang setiap fitur hanya
berkisal 1 bit. Kepresisian dari data berkisar 1/10.000. setelah
itu dilakukan normalisasi. Eksperimen yang dilakukan pada
penelitian ini adalah data dari pasar tehh yang terdiri dari 36
variabel terpilih dan 6 variabel yang kontinu.

IV. EXPERIMENTAL DESIGN DAN HASILNYA

A. Eksperimental Desain
Hasil dari experimental design ditunjukkan pada tabel 3.
Berdasarkan periode pembelanjaan, ditentukan 5 faktor
control, antara lain lokasi konsumen (Ccl), pekerjaan
konsumen (Cco), preferensi konsumen (Ccp), pengalaman
konsumen (Cce) dan gender (Ccg). Selain itu terdapat variable
ayng tidak dapat dikontrol, antara lain kesehatan, penagalaman
dan berat konsumen pada saat pembelian. Setelah itu dibuat
tabel orthogonal untuk mengontrol variable dengan level 1
berkisar +- 20% dari nilai awal. Berdasarkan ratio SN dari
Taguchi method, yang mengukur kualitas deviasi dari factor
tersebut, didapatkan konsisi optimal.
Semakin besar SN maka variansi akan semakin kecil.
Berdasarkan rasion SN, kondisi optimal untuk konsumen
adalah level 1 untuk A, level 2 untuk B, level 2 untuk C, level
1 untuk D, dan level 1 untuk E. Selain itu, tabel 4 menentang
bahwa C memiliki efek yang lebih besar terhadao prefrensi
konsumen, sedangkan A menghasilkan efek lebih kecil
terhadap lokasi konsumen berdasarkan rate contribution.
Pendekatan ini mengidentifikasi tools yang paling sesuai
untuk mengolah data.
Gambar 8 Prototype Sistem yang Lama
B. Hasil Eksperimen
Penelitian ini menggunakan data pasar teh untuk melihat
mengukur performansi dengan berbagai pendekatan yang
sesuai. Data riset didapatkan dari perusahaan makan di Taiwan.
Pada kasus ini, konsumen memiliki tujuan yang dan keinginan
yang kuat untuk kesehatan pribadi. Konsumen merupakan
orang yang open minded tentang pengumuman untuk
mendapatkan layanan yang dibutuhkan, sebagai hasilnya,
perusahaan target mendapatkan data karakteristik konsumen
tersebut. Sebagai tambahan, perusahaan menggunakan data
tersebut untuk melihat strategi bersaing.
Data yang diambil berasal dari 3.658 konsumen dengan
berbagai demografi dan data produk yang dibeli. Terdapat 42
variabel dependen, termasuk demografi dan informasi lainnya.
Untuk melihat algoritma yang sesuai, pada awalnya digunakan
metode Taguchi untuk menentukan metode yang menghasilkan
nilai terbaik.
Inersia antar kelas memberikan ukuran performansi untuk
mengukur keterkaitan setiap cluster. Inersia kelas merupakan
jarak rata-rata antara pusat cluster dan setiap sampel serta
membandingkannya dnegan statistika sederhana, seperti
paired-sample t-tests, t-test, dan lainnya.
Gambar 6 menunjukkan hasil cluster untuk 2 variabel
(preferensi konsumen dan lokasi konsumen), yaitu sebanyak 5
cluster dengan menggunakan metode Taguchi. Hasil ini

14415005 | Tio Angie Pricillia Samosir

menunjukkan 5 segmen yang diidentifikasi dengan Taguchi
dapat menjadi metode yang tepat untuk data tersebut. Sistem
yang direkomendasikan adalah Microsoft ASP (Active Server
Pages).
Gambar 7 dan 8 menunjukkan screening sample dari prototype
sistem. Pada kasus ini, target pasar yang akan dijual adalah
orang yang akan melakukan diet, yang merupakan 90% orang
yang membeli hanya sekali. Sehingga alrgoritma digunakan
untuk mencari item yang paling banyak dibeli oleh konsumen
(berdasarkan Critical Based Reasoning).
Untuk melakukan validasi terhadap metode Taguchi dan CBR,
sistem yang akan dilakukan adalah melakukan generalisasi
terhadap kedua sistem dengan cara melakukan presentasi hasil
dan melakukan pengecekan secara visual untuk melihat
keberadaan bias.
Paired-sample t-tests digunakan untuk mengevaluasi apakah
terdapat perbedaan level kepuasan yang signifikan antara rata-
rata kedua hasil tersebut. Dalam hal ini menggunakan uji
hipotesis dengan hipotesis nol adalah
Ho :
H1 :
dimana adalah rata-rata kepuasan dari model yang diusulkan
dan adalah level kepuasan dari model yang random. Tabel 6
menunjukkan hasil dari paired-samples t-tests.
Berdasarkan gambar pada lampiran dapat dilihat bahwa dengan
level kepercayaan sebanyak 2%, terdapat perbedaan rata-rata
antar kedua hal tersebut, dimana level dari mode yang
diusulkan lebih besar dibanding dengan model random. Hal ini
mengindinkasikan bahwa penggunaan model CBR dengan
tools pengolah berupa Taguchi method memberikan hasil yang
memuaskan.
Penelitian ini mengembangkan sistem informasi yang berguna
untuk meningkatkan penjualan perusaan. Sistem informasi
tersebut dapat digunakan untuk membantu supervisor membuat
keputusan yang lebih baik dalam hal menentukan lokasi
promosi. Hasil dari wawancara dengan supervisor terkait
dengan:
1. Staff marketing tidak tertarik untuk mempelajari
sistem baru karena merasa cukup dengan kemampuannya.
2. Supervisor merasa nyaman dengan sistem baru dan
berusaha untuk menerima sistem tersebut karena memberikan
informasi yang cuku[ untuk melakukan monitoring tugas para
staff serta membantu mengambil keputusan yang tepat.
V. KESIMPULAN
Konsep CRM (Customer Relationship Management)
merupakan hal yang menarik bagi para marketers karena dinilai
efektif untuk melakukan keinginan dari client sehingga
dilakukan pemetaan atau segmentasi konsumen.
Pada aplikasi cluster, menentukan jumlah cluster sangat sulit,
namun hal ini diatasi dengan menggunakan metode Taguchi.
Pada penelitian ini metode Taguchi digunakan untuk
14415005 | Tio Angie Pricillia Samosir
menyelesaikan masalah pasar (target konsumen) pengonsumsi
the. Dalam hal ini dibuktikan bahwa metode Taguchi lebih
efektif dibandingkan penggunaan K-Means dan SOM, dari
sudut pandang inersia antar kelas. Sebagai tambahan, pada
penelitian ini dibuktikan bahwa metode Taguchi juga
membantu untuk menentukan sistem informasi marketing yang
paling baik digunakan.
Pada segmentasi pasar, hasil dari metode Taguchi
menunjukkan bahwa variable yang tidak relevan bisa diabaikan
karena bila dimasukkan dalam perhitungan dapat menyebabkan
outlier dan mengganggu hasil dari pemroresan data tersebut.
Kendati demikian ada beberapa keterbatasan dari penelitian ini,
antara lain penelitian masih terbatas pasar pengonsumsi teh
yang berada di Taiwan sehingga tidak dapat digeneralisasi ke
negara lainnya karena adanya perbedaan budaya dan latar
belakang industry. Yang kedua adalah penelitian masih
terfokus pada demografi dan variabel tingkah laku, yang
artinya masih mendiskripsikan lingkungan pasar secara
general.
Pendekatan marketing ini mungkin tidak dapat memenuhi
semua keinginan konsumen yang sangat beragam, sehingga
harus ada pembagian kategori tertentu berdasarkan kesamaan
dari setiap konsumen. Metode sgmentasi ini didasarkan pada
produk yang dibeli oleh konsumen. Oleh sebab itu segmentasi
yang dilakukan adalah berdasarkan kebiasaan tersebut, antara
lain mengelompokkan konsumen dengan kebiasaan yang sama.
Untuk memastikan bahwa semua konsumen yang berada di
cluster yang sama memiliki karakteristik yang sama digunakan
metode Taguchi, yaitu dengan melakukan eksperimen.
Hasilnya adalah metode Taguchi lebih efektif untuk
memastikan kualitas kluster yang lebih baik, berdasarkan data
kebiasaan atau historis pembelanjaan. Hal ini dapat membantu
pengambilan keputusan dengan lebuh efektif.
SARAN
Berdasarkan tinjauan paper di atas, terdapat sedikit
kekurangan, antara lain keterbatasan pengetahuan tentang
metode lainnya, sehingga pembaca hanya mengetahui secara
teoritis tanpa mengetahui bukit konkritnya.
REFERENCES
[1] Blazewicz, E., Pesch, E., & Sterna, M. (2005). A novel representation of
graph structures in web mining and data analysis. Omega, 33(1), 65–71.
[2] Boone, D. S., & Roehm, M. (2002). Retail segmentation using artificial
neural networks. International Journal of Research in Marketing, 19(3),
287–301
[3] Chang, H. J., Hung, L. P., & Ho, C. L. (2007). An anticipation model of
potential customers’ purchasing behavior based on clustering analysis
and association rules analysis. Expert Systems with Applications, 32(3),
753–764.
[4] Chen, W. C., Hsu, Y. Y., Hsieh, L. F., & Tai, P. H. (2010). A systematic
optimization approach for assembly sequence planning using Taguchi
method, DOE, and BPNN. Expert Systems with Applications, 37(1),
716–726.
[5] Chen, Y. L., & Hu, H. L. (2006). An overlapping cluster algorithm to
provide nonexhaustive clustering. European Journal of Operational
Research, 173(3), 762–780.
[6] Chen, M. C., & Wu, H. P. (2005). An association-based clustering
approach to order batching considering customer demand patterns.
Omega, 33(4), 333–343.
[7] Chen, W. F., & Yen, D. C. (2007). Using the CATE model to help
SMEs expand to global e-commerce markets. International Journal of
Management and Enterprise Development, 4(1), 96–117.
[8] Chien, W. T., & Tsai, C. S. (2003). The investigation on the prediction
of tool wear and the determination of optimum cutting conditions in
machining 17-4PH stainless steel. Journal of Materials Processing
Technology, 140, 340–345.
[9] Cleveland, M., & Laroche, M. (2007). Acculturation to the global
consumer culture: Scale development and research paradigm. Journal of
Business Research, 60(3), 249–259
[10] Doganis, P., Alexandridis, A., Patrinos, P., & Sarimveis, H. (2006).
Time series sales forecasting for short shelf-life food products based on
artificial neural networks and evolutionary computing. Journal of Food
Engineering, 75, 196–204.
[11] Evanschitzky, H., Iyer, G. R., Plassmann, H., Niessing, J., & Meffert, H.
(2006). The relative strength of affective commitment in securing
loyalty in service relationships. Journal of Business Research, 59(12),
1207–1213.
[12] Fish, K. E., Johnson, J. D., Dorsey, R. E., & Blodgett, J. G. (2004).
Using an artificial neural network trained with a Genetic Algorithm to
model brand share. Journal of Business Research, 57, 79–85.
[13] Hanafizadeh, P., & Mirzazadeh, M. (2011). Visualizing market
segmentation using self-organizing maps and Fuzzy Delphi method –
ADSL market of a telecommunication company. Expert Systems with
Applications, 38(1), 198–205.
[14] Hibbert, S. A., Horne, S., & Tagg, S. (2005). Charity retailers in
competition for merchandise: Examining how consumers dispose of
used goods. Journal of Business Research, 58, 819–828.
[15] Hou, T. H., Su, C. H., & Liu, W. L. (2007). Parameters optimization of a
nano-particle wet milling process using the Taguchi method, response
surface method and Genetic Algorithm. Powder Technology, 173, 153–
162.
[16] Huang, E. Y., & Lin, S. C. (2006). How R&D management practice
affects innovation performance: An investigation of the high-tech
industry in Taiwan. Industrial Management & Data Systems, 106(7),
966–996
[17] Huang, J. J., Tzeng, G. H., & Ong, C. S. (2007). Marketing
segmentation using support vector clustering. Expert Systems with
Applications, 32(2), 313–317.
[18] Jiang, H., Yi, S., Li, J., Yang, F., & Hu, X. (2010). Ant clustering
algorithm with Kharmonic means clustering. Expert Systems with
Applications, 37(12), 8679–8684.
[19] Kang, N., Kim, J., & Park, Y. (2007). Integration of marketing domain
and R&D domain in NPD design process. Industrial Management &
Data Systems, 107(6), 780–801.
[20] Kiang, M.Y., Hu, M., & Fisher, D. (2007). An extended Self-Organizing
Map network for market segmentation—a market segmentation
application. Computational Statistics & Data Analysis.
[21] Kiang, M. Y., Hu, M., & Fisher, D. (2006). An extended Self-
Organizing Map network for market segmentation—a
telecommunication example. Decision Support Systems, 42(1), 36–47.
[22] Kim, K. S., & Han, I. (2001). The cluster-indexing method for case-
based reasoning using self-organizing maps and learning vector
quantization for bond rating cases. Expert Systems with Applications,
21(3), 147–156.
[23] Kim, Y. S., Street, W. N., Russel, G. J., & Menczer, F. (2005). Customer
targeting: A neural network approach guided by Genetic Algorithms.
Management Science, 51(2), 264–276.
[24] Kohonen, T., Hynninen, J., Kangas, J., & Laaksonen, J. (1996).
SOM_PAK: The Self-Organizing Map program package. Technical
Report A31, Helsinki University of Technology, Espoo, Finland.
14415005 | Tio Angie Pricillia Samosir
[25] Kohonen, T., Kaski, S., Lagus, K., Salojarvi, J., Honkela, J., Paatero, V.,
et al. (2000). Self organization of a massive document collection. IEEE
Transaction on Neural Networks, 11(3), 574–585.
[26] Kuo, R. J., An, Y. L., Wang, H. S., & Chung, W. J. (2006). Integration
of self-organizing feature maps neural network and genetic K-means
algorithm for market segmentation. Expert Systems with Applications,
30(2), 313–324.
[27] Kuo, R. J., & Chen, J. A. (2004). A decision support system for order
selection in electronic commerce based on fuzzy neural network
supported by real-coded Genetic Algorithm. Expert Systems with
Applications, 26(1), 141–152.
[28] Kuo, R. J., Liao, J. L., & Tu, C. (2005). Integration of ART2 neural
network and genetic K-means algorithm for analyzing web browsing
paths in electronic commerce. Decision Support Systems, 40(2), 355–
374.
[29] Kuo, R. J., Wang, H. S., & Chou, S. H. (2005). Application of ant K-
means on clustering analysis. Computers and Mathematics with
Applications, 50(10–12), 1709–1724.
[30] Kuo, R. J., Wu, P., & Wang, C. P. (2002). An intelligent sales
forecasting system through integration of artificial neural networks and
fuzzy neural networks with fuzzy weight elimination. Journal of Neural
Networks, 15, 909–925.
[31] Kuroki, Y., Young, G. S., & Haupt, S. E. (2010). UAV navigation by an
expert system for contaminant mapping with a Genetic Algorithm.
Expert System with Applications, 37(6), 4687–4697.
[32] Kwong, C. K., Chan, K. Y., & Tsim, Y. C. (2009). A Genetic Algorithm
based knowledge discovery system for the design of fluid dispensing
processes for electronic packaging. Expert System with Applications,
36(2), 3829–3838.
[33] Lee, S. C., Suh, Y. H., Kim, J. K., & Lee, K. J. (2004). A cross-national
market segmentation of online game industry using SOM. Expert
System with Applications, 27(1), 559–570.
[34] Lingras, P., Hogo, M., Snorek, M., & West, C. (2005). Temporal
analysis of clusters of supermarket customers: Conventional versus
interval set approach. Information Science, 172(1–2), 215–240.
[35] Maroosi, A., & Amiri, A. (2010). A new clustering algorithm based on
hybrid global optimizationbased on a dynamical systems approach
algorithm. Expert Systems with Applications, 37(8), 5645–5652.
[36] Mendes, A. B. (2006). Clustering supermarkets: The role of experts.
Journal of Retailing and Consumer Services, 13(4), 231–247.
[37] Midgley, D., Marks, R., & Kunchamwar, D. (2007). Building and
assurance of agentbased models: An example and challenge to the field.
Journal of Business Research, 60(8), 884–893.
[38] Miranda, M. J., & Konya, L. (2007). Directing store flyers to the
appropriate audience. Journal of Retailing and Consumer Services,
14(3), 175–181.
[39] Ong, C. S., & Liu, H. H. (2008). Variable selection in clustering for
marketing segmentation using Genetic Algorithms. Expert Systems with
Applications, 34(1), 502–510.
[40] Sahu, H. B., Padhee, S., & Mahapatra, S. S. (2011). Prediction of
spontaneous heating susceptibility of Indian coals using fuzzy logic and
artificial neural network models. Expert Systems with Applications,
38(3), 2271–2282.
[41] Saritas, I., Ozkan, I. A., & Sert, I. U. (2010). Prognosis of prostate
cancer by artificial neural networks. Expert Systems with Applications,
37(9), 6646–6650.
[42] Shao, L., & Webber, S. (2006). A cross-cultural test of the ‘five-factor
model of personality and transformational leadership’. Journal of
Business Research, 59(8), 936–944.
[43] Shin, H. W., & Sohn, S. Y. (2004). Segmentation of stock trading
customers according to potential value. Expert Systems with
Applications, 27(1), 27–33.
[44] Sinha, P. K. (2005). Using observational research for behavioral
segmentation of shoppers. Journal of Retailing and Consumer Services,
12(1), 35–48.
[45] Smith, K. A., & Ng, A. (2003). Web page clustering using a Self-
Organizing Map of user navigation patterns. Decision Support Systems,
35(2), 245–256.
[46] Stevens, E., & Dimitriadis, S. (2004). New service development through
the lens of organisational learning: Evidence from longitudinal case
studies. Journal of Business Research, 57(10), 1074–1084.
[47] Wang, C. H. (2010). Apply robust segmentation to the service industry
using kernel induced fuzzy clustering techniques. Expert Systems with
Applications, 37(12), 8395–8400.
[48] Whelan, S., & Davies, G. (2006). Profiling consumers of own brands
and national brands using human personality. Journal of Retailing and
Consumer Services, 13(6), 393–402.
[49] Yang, M. H., Liao, C. H., & Liu, S. C. (2007). Applying internet-based
information systems to facilitate business alliance activities. Industrial
Management & Data Systems, 107(1), 125–140.
[50] Yang, T., Lin, H. C., & Chen, M. L. (2006). Meta modeling approach in
solving the machine parameters optimization problem using neural
14415005 | Tio Angie Pricillia Samosir
network and Genetic Algorithms: A case study. Robotics and Computer-
Integrated Manufacturing, 22, 322–331.
[51] Yang, S. M., Yang, M. H., & Wu, J. B. (2005). The impacts of
establishing enterprise information portals on e-business performance.
Industrial Management & Data Systems, 105(3), 349–368.
[52] Yiakopoulos, C. T., Gryllias, K. C., & Antoniadis, I. A. (2011). Rolling
element bearing fault detection in industrial environments based on a K-
means clustering approach. Expert Systems with Applications, 38(3),
2888–2911.
[53] Zahay, D., & Griffin, A. (2004). Customer learning processes, strategy
selection, and performance in business-to-business service firms.
Decision Sciences, 35(2), 169–203.
14415005 | Tio Angie Pricillia Samosir