PROPSAL TUGAS AKHIR

PENERAPAN ALGORITMA K-MEANS UNTUK

CLUSTERING USER PRA-NPC TELKOM DI KOTA
BENGKULU

Disusun Oleh:

Nama : Rahmad Ramadhan

NIM : A11.2019.12280

Program Studi : Teknik Informatika

FAKULTAS ILMU KOMPUTER

UNIVERSITAS DIAN NUSWANTORO

SEMARANG

2022

i
ii
 BAB 1
PENDAHULUAN

1.1 Latar Belakang Masalah

PT Telkom Indonesia Tbk (Telkom) adalah Badan Usaha Milik Negara

(BUMN) yang bergerak di bidang jasa layanan teknologi informasi dan
komunikasi (TIK) dan jaringan telekomunikasi di Indonesia. Pemegang saham
mayoritas Telkom adalah Pemerintah Republik Indonesia sebesar 52.09%,
sedangkan 47.91% sisanya dikuasai oleh public. Saham Telkom diperdagangkan
di Bursa Efek Indonesia (BEI) dengan kode “TLKM” dan New York Stock
Exchange (NYSE) dengan kode “TLK”. Dalam Upaya bertransformasi menjadi
digital telecommunication company, Telkom Group mengimplementasikan
strategi bisnis dan operasional perusahaan yang berorientasi kepada pelanggan
(customer-oriented). Transformasi tersebut akan membuat organisasi Telkom
Group menjadi lebih mudah dalam beradaptasi dengan perubahan industri
telekomunikasi yang berlangsung sangat cepat. Organisasi yang baru juga
diharapkan dapat meningkatkan efisiensi dan efektivitas dalam menciptakan
customer experience yang berkualitas. PT Telkom Indonesia Witel Jakarta Selatan
memiliki 17 divisi/unit yang saling bekerjasama untuk memenuhi kebutuhan
perusahaan, salah satunya adalah Divisi Payment & Collection. Payment &
Collection adalah salah satu bagian penting di Telkom yang mempunyai
wewenang untuk menangani penagihan piutang dagang dan pendapatan tunai.
Unit inilah yang bertugas untuk melakukan komunikasi dengan pelanggan/klien
untuk mengingatkan kewajibannya dalam melakukan pembayaran atas tagihan
bulan berjalan.

3
 4

Pelanggan yang menggunakan produk Telkom pada bulan pertama tidak

akan menerima tagihan pasca-bayar, namun ketika di bulan berikutnya pelanggan
tersebut tidak melakukan pembayaran pada tagihan di bulan pertama maka akan
disebut pelanggan C3MR dan saat tagihan di bulan kedua pelanggan tersebut
belum juga melakukan pembayaran tagihan di bulan pertama dan kedua maka
disebut pelanggan Pra-NPC dengan konsekuensi pada bulan kedua jaringan
internet pelanggan akan di isolir. Pada bulan ketiga CTB akan menghampiri
rumah pelanggan guna untuk melakukan diskusi mengenai masalah/kendala
dalam melunasi tagihannya dan juga Caring Call akan menghubungi pelanggan
tersebut lewat telepon guna mengingatkan pelanggan agar segera melunasi
tagihannya.

Data pelanggan PRA-NPC akan didistribusikan kepada para CTB dan

Caring Call berdasarkan prioritasnya. Prioritas Caring Call yaitu Prioritas pertama
pelanggan yang pemakaian internetnya berstatus high usage atau belum pernah
masuk kategori NPC. Prioritas kedua pelanggan yang pemakaian internetnya
berstatus middle usage atau pernah masuk kategori NPC sekali atau dua kali.
Prioritas ketiga pelanggan yang pemakaian internetnya berstatus low usage atau
pernah masuk kategori NPC lebih dari dua kali. Setelah didistribusikan, Caring
Call akan menghubungi pelanggan yang ada di data tersebut lewat telepon guna
mengingatkan pelanggan agar segera melunasi tagihannya. Sedangkan prioritas
CBT yaitu prioritas pertama pelanggan yang berada di sentral inner (BNC, PDW)
atau pelanggan yang berada di kota Bengkulu. Prioritas kedua sentral outer (CRP,
IPU, MUA, KPH, MNA, AGR, BTH, TIS, MKO) yang berada di luar kota
Bengkulu dan terdapat pelanggan PRA-NPC terbanyak. Setelah didistribusikan,
CBT akan akan menghampiri rumah dari pelanggan untuk mengingatkan
pelanggan agar segera melunasi tagihannya.
 5

Clustering adalah proses membagi-bagi obyek dari suatu set data menjadi
beberapa klaster yang homogen. Tujuan utama dari metode klaster adalah
pengelompokkan sejumlah data/obyek ke dalam klaster(grup) sehingga dalam
setiap klaster akan berisi data yang semirip mungkin. Clustering berusaha untuk
menempatkan obyek yang mirip atau yang jaraknya berdekatan dalam satu klaster
dan membuat jarak antar klaster sejauh mungkin. Ini berarti obyek dalam satu
klaster sangat mirip satu sama lain dan berbeda dengan obyek dalam klaster-
klaster yang lain. Dalam algoritma K-Mean, obyek atau data yang ada
dikelompokkan ke dalam kelompok atau klaster. Untuk melakukan klasterin ini,
nilai K harus ditentukan terlebih dahulu. Biasanya user atau pengguna sudah
mempunyai informasi awal tentang obyek yang sedang dipelajari, termasuk
berapa jumlah klaster yang paling tepat. Dalam algoritma K-Mean digunakan
ukuran ketidakmiripan untuk mengelompokkan obyek. Ketidakmiripan ini
diterjemahkan dalam konsep jarak. Jika jarak dua obyek cukup dekat, maka dua
obyek tersebut mirip. Semakin dekat berarti semakin tinggi kemiripannya.
Semakin tinggi nilai jarak, semakin tinggi pula ketidak miripannya. Clustering
data dengan algoritma K-Mean secara umum dilakukan dengan algoritma sebagai
berikut:

1. Tentukan jumlah kelompok.

2. Alokasikan data ke dalam kelompok secara acakInisialisasi kpusat klaster
(centroid). Ini dapat dilakukan dengan berbagai cara. Yang paling sering
dilakukan adalah dengan cara random, yakni pusat-pusat klaster diberi
nilai awal dengan angka-angka random.
3. Hitung pusat kelompok (centroid) dari data yang ada di masing-masing
kelompok.
4. Alokasikan masing-masing data ke centroid klaster terdekat. Kedekatan
dua obyek ditentukan berdasarkan jarak kedua obyek tersebut. Demikian
juga kedekatan suatu data ke klaster tertentu ditentukan berdasarkan jarak
antara data tersebut dengan pusat klaster. Data akan dimasukkan ke klaster
yang jarak antara data tersebut dengan pusat klasternya paling dekat.
 6

Untuk menghitung jarak antara data dengan pusat klaster biasanya

digunakan jarak Euclidean, walaupun dapat juga menggunakan jarak
Manhattan atau Minkowsky. Untuk menghitung jarak semua data ke setiap
titik pusat cluster dengan menggunakan teori jarak Euclidean digunakan
rumus sebagai berikut :

√∑ |
p
𝐷(𝑖𝑗) = x k −x kj|
i
..................(1)
i=1

Di mana :
D (ij) = jarak data ke (i) ke pusat cluster (j)
𝑋𝑘𝑖= Data ke (i) pada atribut data ke (k)
𝑋𝑘𝑗= Titik pusat (j) pada atribut (k)
5. Hitung kembali pusat klasterdengan keanggotaan klasteryang sekarang.
Pusat klasteradalah rata-rata dari semua data/objek dalam setiap
klasternya.
6. Ulangi lagi Langkah (2) dan (3) dengan memakai pusat klaster yang baru.
Jika pusat klaster sudah tidak berubah lagi, maka proses pengklasteran
selesai atau dinamakan konvergen.

1.2 Rumusan Masalah

Susun rumusan masalah dengan meringkas paparan dari sub-bab latar belakang
masalah dengan menekankan Problem Statemend dan Research Question.
Pada sub-bab ini paparan ditulis maksimal 1 halaman penuh.
 7

1.3 Batasan Masalah

Berikan penjelasan hal-hal yang menjadi batasan kajian dari penelitian yang Anda
lakukan, misalanya sumber dan jumlah data yang digunakan, asumsi-asumsi, dan
lain-lain.

1.4 Tujuan Penelitian

Susun tujuan penelitian yang menjadi target akhir dari aktifitas ini. Tujuan
penelitian dapat diungkapkan dalam bentuk kalimat yang menjadi “jawaban” dari
rumusan masalah atau research question.

1.5 Manfaat Penelitian

Paparkan hal-hal positif apa yang akan didapat apabila tujuan penelitian dapat
dicapai.