LAPORAN INDIVIDU

“Laporan ini disusun untuk memenuhi nilai Ujian Akhir Semester (UAS)
mata kuliah Kecerdasan Buatan”

Disusun Oleh :

Ahmad Nizar Prianda (202010130312045)

PROGRAM STUDI TEKNIK ELEKTRO

FAKULTAS TEKNIK
UNIVERSITAS MUHAMMADIYAH MALANG
2021

i
 DAFTAR ISI

COVER....................................................................................................i
DAFTAR ISI............................................................................................ii
Latar Belakang........................................................................................1
Metode......................................................................................................2
Hasil..........................................................................................................6
Kesimpulan..............................................................................................7

ii
LATAR BELAKANG

Dalam dunia bisnis, istilah customer segmentation atau segmentasi

pelanggan adalah hal yang cukup penting dan perlu diperhatikan. Namun meski
demikian, nyatanya masih ada banyak pelaku usaha yang tidak mengetahui
definisi dari istilah tersebut. Customer segmentation atau segmentasi pelanggan
demografi pelanggan. Nantinya dalam segmentasi ini, Kita akan diminta untuk
mengelompokkan karateristik masing-masing pelanggan dengan kategori tertentu.
Customer Segmentation (K-Means) Analisis yang ada pada sebuah Mall,
yang dimana Anda berutang mal supermarket dan melalui kartu keanggotaan,
Anda memiliki beberapa data dasar tentang pelanggan Anda seperti ID Pelanggan,
usia, jenis kelamin, pendapatan tahunan, dan skor pengeluaran. Skor Pengeluaran
adalah sesuatu yang Anda tetapkan kepada pelanggan berdasarkan parameter yang
Anda tetapkan seperti perilaku pelanggan dan data pembelian.
Untuk menjawa permasalah pemilik mall dan ingin memahami pelanggan
seperti yang dapat dengan mudah berkumpul [Target Pelanggan] sehingga
pengertian dapat diberikan kepada tim pemasaran dan merencanakan strategi yang
sesuai. Dengan Menganalisis Customer Segmentation menggunakan K-means
clustering untuk mendapatkan kelompok data dengan memaksimalkan kesamaan
karakteristik dalam klaster dan memaksimalkan perbedaan antar klaster.
Algoritma K-means clustering mengelompokkan data berdasarkan jarak antara
data terhadap titik centroid klaster yang di dapatkan melalui proses berulang.
Analisis perlu menentukan jumlah K sebagai input algoritma.

1
 METODE
 Blok Diagram

Menyiapkan Data Set Data Set Berupa Excel.csv Visual Code Membuat Program

SELESAI Program Berhasil Program Run

 Data Input

Dataset diatas adalah dataset awal kami yang mana kami memiliki
data sebanyak 20 data untuk dijadikan input. Di Data ini Ada Gender,
Age, Annual Income (k$), dan Spending Score(%).

2
 Proses Pada Metode
Melakukan pre-processing pada dataset awal yang mana kami
membuang bagian customer id dan mengubah kolom gender. Yaitu male
menjadi 1 dan female menjadi 2 agar program python dapat memahami
input yang kami berikan.

Kemudian dataset tersebut save dalam format .csv dan dimasukkan

kedalam program python.

3
 Pada Tugas Individu kali ini saya hanya akan melakukan clustering pada
kolom Annual Income(k$) dan Spending Score saja, dan dibagi kedalam 5
cluster.

 Output
Berikut adalah output dari program saya.

Dilihat dari output program python pada aplikasi visual studio code
diatas dapat diperoleh data sebagai berikut:
- Data 11, 13, 15 masuk ke cluster 1
- Data 2, 6, 10, 14, 16 dan 18 masuk ke cluster 2
- Data 1, 5, 17 dan 19 masuk cluster 3

4
 - Data 4, 8, 12 dan 20 masuk cluster 4
- Data 3, 7 dan 9 masuk cluster 5
- Cluster 1 memiliki nilai centroid [19.66666667, 14 ]
- Cluster 2 memiliki nilai centroid [51.83333333, 52.33333333]
- Cluster 3 memiliki nilai centroid [19, 35.75 ]
- Cluster 4 memiliki nilai centroid [42.25 , 46.5 ]
- Cluster 5 memiliki nilai centroid [19.66666667, 5]

 Pemrograman/Algoritma

5
HASIL
 Grafik

Dilihat dari output grafik diatas dapat diperoleh data sebagai

berikut:
- Cluster 1 memiliki warna kuning
- Cluster 2 memiliki warna biru
- Cluster 3 memiliki warna biru muda
- Cluster 4 memiliki warna hijau
- Cluster 5 memiliki warna ungu

6
KESIMPULAN
Dilihat dari settingan dan data diatas maka dapat disimpulkan bahwa:
- Cluster 2 memiliki tingkat rata-rata spending score paling tinggi diantara
cluster yang lain yaitu 52.3 %, dengan rata-rata umur 51.83333333 tahun.
- Cluster 2 juga memiliki rata-rata umur paling tinggi yaitu 51.83333333 tahun
memiliki spending score hanya 52.33333333%.
- Cluster 3 yang memiliki rata-rata umur paling rendah yaitu 19 tahun memiliki
spending score 35.75 %.
- Dan spending score paling rendah dimiliki oleh cluster 5 yaitu, 5%
Dengan rata-rata umur adalah 19.66666667 tahun.