Machine Translated by Google

Konferensi Internasional tentang Mekanisme Inovatif untuk Penerapan Industri

(ICIMIA 2017)

Analisis Efisiensi Pengelompokan TPA

Metode Segmentasi Pelanggan yang Cerdas

Dr (Nyonya) Ananthi Sheshasaayee1 L.Logeshwari2

1 2Sarjana Riset
Pengawas Penelitian,
PG & Departemen Riset Ilmu Komputer, Quaid -E- Millath Govt College for Women (Otomatis)

Chennai-600 002, India.

1 2
ananthi.research@gmail.com, logeshwari.research@gmail.com

Abstrak demografi, RFM, dan LTV digunakan untuk menentukan segmentasi

CRM proses.
Saat ini pertumbuhan pemasaran komersial ditingkatkan dengan model
segmentasi pelanggan. Literatur menggunakan teknologi data mining
untuk meninjau segmentasi pelanggan dan efektifitasnya. Tahapan CRM
telah digunakan di sebagian besar kasus. Berdasarkan data RFM,
demografi dan LTV, makalah ini disusun menggunakan alat penambangan
data untuk segmentasi pelanggan baru. Segmentasi pelanggan dilakukan
dengan metode RFM dan LTV. Dengan menggunakan pengelompokan
K-means dan data demografi, pelanggan dikelompokkan ke dalam
kategori yang berbeda. Profil LTV pelanggan akhirnya siap. Cara ini
juga telah diikuti oleh berbagai industri lainnya.

Kata Kunci: manajemen hubungan pelanggan, segmentasi,

penambangan data, cluster.
Gambar kerangka segmentasi pelanggan
Perkenalan

Segmentasi pelanggan dilakukan berdasarkan kelompok individu yang
relevan dengan pemasaran berdasarkan usia,
gender, minat dan kebiasaan belanja. Manajemen Hubungan Pelanggan
(CRM) telah menjadi yang terdepan dalam lingkungan bisnis. Untuk mengelola
peluang bisnis dengan pelanggan dilakukan upaya manajerial (Kim, Suh, &
Hwang, 2003). Beberapa manfaat pelanggan adalah
Pendekatan inovatif untuk menggabungkan semua variabel seperti
retensi pelanggan dan pengembangan pengelompokan data mining dilakukan
menggunakan CRM, RFM, dan LTV.
Hasil makalah ini dilakukan sebagai berikut.
Bagian kedua: studi sebelumnya diperhitungkan untuk segmentasi pelanggan
dan ini menjelaskan alasan latar belakang pelanggan tersebut.

(1) retensi berkelanjutan pelanggan Bagian ketiga membahas tentang model clustering untuk segmentasi
(2) loyalitas pelanggan (3) pelanggan. Selanjutnya akan disampaikan hasil model di industri perbankan.
pelanggan memberikan keuntungan yang
lebih tinggi (4) pelanggan menciptakan Terakhir, Bagian empat: akan diakhiri dengan makalah mengenai
ide-ide baru (5) Penggunaan produk dan layanan yang lebih banyak pelanggan diskusi umum dan agenda.
Selesai. II. TINJAUAN PUSTAKA Segmentasi
CRM mengikuti empat dimensi ini. pelanggan dan segmentasi pasar dikatakan sama dalam literatur

(1) Menemukan identitas pelanggan, (2) Pesona pelanggan, (3)
Mempertahankan pelanggan, (4) Pertumbuhan pelanggan.
Identifikasi pelanggan didasarkan pada peneliti pemasaran dan
memiliki kontribusi besar terhadap langkah-langkah lain dari CRM [6]. Program
loyalitas dan segmen yang menguntungkan diberikan kepada Pelanggan
untuk menarik mereka. Pelanggan yang memberi keuntungan tertinggi
dipertahankan dan pelanggan yang menguntungkan PBB diperhitungkan dan
tetapi terdapat banyak perbedaan dalam clustering dan ketersediaan data
menggunakan CRM, pelanggan baru adalah perolehan pelanggan baru
dengan menggunakan data sosio demografi dan data transaksional. “Metode
ini dapat memberi tahu kita bahwa pengembangan dan retensi pelanggan
lebih penting daripada akuisisi pelanggan. Kurangnya informasi mengenai
pelanggan baru membuat sulit dalam memilih target pelanggan dan hal ini
akan menyebabkan upaya pemasaran tidak efisien” [8]. Chai & Chan [9]
segmentasi pelanggan baik metodologi maupun berorientasi aplikasi.

jumlah sumber daya yang diberikan kepada mereka dikurangi. Pelanggan

Kebanyakan studi berbasis metode mengubah beberapa teknik pengelompokan
yang sangat berharga merupakan beban bagi perusahaan sehingga tidak
data seperti SOM, atau dua atau lebih data kombinasional yang digunakan
sedikit uang yang dibelanjakan untuk mereka. Masukkan variabel seperti
dalam teknik penambangan data dan menjadi lebih akurat.
978-1-5090-5960-7/17/$31,00 ©2017 IEEE 784
Machine Translated by Google
Konferensi Internasional tentang Mekanisme Inovatif untuk Penerapan Industri
(ICIMIA 2017)
pencapaian dalam segmentasi clustering. Banyak masalah segmentasi
spesifik yang diselesaikan dengan peneliti yang berorientasi pada aplikasi.
(Seperti [10], [6], [11], dan [12]). [9]. Untuk membuat variabel baru
berdasarkan teknik clustering dan menggunakan langkah clustering
berurutan yang berbeda. (Seperti [8], [7], [13], [14], [9], [15], [16], [2], [17],
[18], dan [5]).
LTV menempatkan peran penting dalam segmentasi pelanggan.
Berdasarkan keuntungan sebelumnya, potensi manfaat, dan kemungkinan
pembelotan pelanggan, datanya disegmentasi. Studi kasus telekomunikasi
nirkabel menunjukkan nilai pelanggan. Kemudian, strategi segmen
pelanggan terakhir dijelaskan melalui studi kasus pada perusahaan
telekomunikasi nirkabel.

Metode segmentasi pelanggan penting berikutnya adalah RFM.
Segmentasi pelanggan yang penting adalah RFM, karena didasarkan
pada perilaku pembayaran pelanggan dan terkini, pemantauan frekuensi
dan peta pengaturan mandiri disiapkan.
Dengan menggunakan aturan asosiasi algoritma Apriori,
kelompok pelanggan diprofilkan berdasarkan atribut pelanggan.
Dua kumpulan data berbeda seperti RFM, CHAID dan regresi logistik
diselidiki sebagai metode analisis. Nilai algoritma RFM dan k-means
digunakan oleh penelitian untuk mengekstrak makna baru dari pelanggan.
AKU AKU AKU. KERANGKA PENELITIAN
Kerangka penelitian ini terdiri dari empat tahap segmentasi
pelanggan dengan CRM. Beberapa industri perbankan menerapkan
kerangka semacam ini. Nasabah bank dan mengembangkan strategi
penandaan dikategorikan berdasarkan segmentasi.
Pendekatan penelitian ini dikelompokkan menjadi dua tahap.

Dalam contoh [9] menjelaskan pendekatan baru yang

menggabungkan segmentasi pelanggan dan target pelanggan. Model
RFM dan LTV diidentifikasi berdasarkan metode perilaku pelanggan.
Variabel yang berbeda digunakan oleh banyak penulis berdasarkan teknik
clustering. Survei kepuasan pelanggan merupakan pendekatan yang
mudah dan praktis. Banyak penulis menjalankan sistem berbasis multi
agen dan sistem menguntungkan berbasis survei sebagai alat untuk
melaksanakan survei kepuasan pelanggan. Alat intelijen bisnis adalah
data envelopment analysis (DEA), peta pengorganisasian mandiri (SOM)
adalah alat yang digunakan untuk segmentasi pelanggan yang
menguntungkan. Metode perilaku pembelian pelanggan dilakukan dengan
model antisipasi [14].
Analisis clustering dan analisis aturan asosiasi digunakan untuk
mengetahui perilaku pembelian pelanggan setia dan calon pelanggan di
masa lalu. Berdasarkan data mining dan metode segmentasi pelanggan
baru kerangka pelanggan dilakukan. Segmentasi pelanggan baru terdiri
dari dua jenis.
Metode pertama, Pelanggan dikelompokkan berdasarkan karakter survival
Gambar Kerangka Penelitian (TPA)
berdasarkan metode aritmatika k-means clustering. Metode kedua adalah
metode analisis kelangsungan hidup berdasarkan kelangsungan hidup Pertama melakukan metode dua fase untuk mensegmentasi
cluster dan tren churn pelanggan. data nasabah bank yang sangat berguna untuk menemukan variabel RFM
Dalam [15] pelanggan game online diselidiki dengan metode dan demografi. RFM digunakan pada tahap pertama nilai input clustering
data mining dan metode pemasaran eksperimental. Ini membantu kami K-means. Data demografi, berdasarkan usia, pekerjaan dan pendidikan
memahami perilaku pembelian pelanggan. digunakan untuk mengelompokkan tahapan semua data. Ketiganya
Produsen kemudian mengubah strategi pasar untuk meningkatkan tingkat digunakan secara bersamaan dalam prosedur pemilihan semua data
pembelian pelanggan. menggunakan SOM.
Sebelumnya metode segmentasi didasarkan pada heterogenitas
Penulis memfokuskan prosedur segmentasi dari sudut pandang dalam segmen dan antar-segmen dan penandanya lebih tertarik hanya
teknis. Contohnya adalah metode segmentasi pasar lintas nasional. Tahap untuk membuat nilai bersih pelanggan penting, namun sekarang
pertama adalah metode statistik di mana perbedaan antara pengelompokan menggunakan jaringan saraf untuk menghitung nilai potensial semua
dilakukan dan tahap kedua metode penambangan data adalah pelanggan berdasarkan LTV mereka. dan akhirnya melihat profil mereka.
mengembangkan sistem pengelompokan di setiap negara, untuk ini
digunakan pengelompokan vektor pendukung. [15] [16] [17].

Untuk segmentasi pemasaran pasar belanja online digunakan

dan algoritma pengelompokan baru berdasarkan algoritma genetika
digunakan.
Tabel I mengkategorikan model segmentasi yang diusulkan
oleh penulis berbeda menurut variabel masukannya.

978-1-5090-5960-7/17/$31,00 ©2017 IEEE 785

Machine Translated by Google
Konferensi Internasional tentang Mekanisme Inovatif untuk Penerapan Industri
IV. FORMULA ANALISIS DATA
A. Data dan pengukuran yang Dapat
Diandalkan Misalnya dalam studi kasus bank Iran untuk
membuat keputusan demi memuaskan pelanggan, bank menjual peluang
dan program loyalitas. Beberapa catatan penting diambil dari data
pelanggan dan dibuang.
Setelah pengelompokan SOM, variabel demografi pada
prosedur pengelompokan diberi peringkat. Berdasarkan transaksi
pelanggan, nilai RFM dihitung.
Tingkat usia, tingkat pekerjaan dan tingkat pendidikan serta
tingkat pendidikan diperhitungkan. Transaksi 6 bulan terakhir diambil
sebagai data base. Dengan demikian ditemukan data yang dapat
diandalkan.
B. Pengelompokan pelanggan menggunakan RFM dan
Variabel demografis
Segmentasi pelanggan digunakan dengan pengelompokan dua fase.
Pelanggan dikelompokkan berdasarkan nilai RFM mereka. Hasilnya,
terdeteksi tiga cluster yang terdiri dari “190, 111, dan 190 Pelanggan”.
Kedua, setiap cluster adalah
dikelompokkan secara internal berdasarkan tiga variabel demografi pada
pendidikan, pekerjaan dan usia. Oleh karena itu hasilnya adalah sembilan
cluster yang terdiri dari “104, 52, 34, 118, 23, 49, 32, 42, dan 37 pelanggan”.
Gambar. arus informasi segmentasi pelanggan berbasis nilai.
C. Cluster menggunakan analisis
LTV Dalam [8] berdasarkan model LTV baru dianggap tingkat churn
pelanggan dilakukan. Model ini ditunjukkan pada Persamaan. 1.
978-1-5090-5960-7/17/$31,00 ©2017 IEEE
(ICIMIA 2017)
ti indeks pelanggan untuk masa pelayanan i
Ni masa pelayanan tingkat bunga pelanggan id tingkat
bunga E (i) total
masa pelayanan yang diharapkan pelanggan i ÿp(ti) kontribusi
laba masa lalu pelanggan ti
ÿf (ti) kontribusi keuntungan masa depan pelanggan ti dan
B (ti) potensi manfaat pelanggan i pada periode ti
Untuk menghitung nilai saat ini dan nilai potensial pelanggan
berdasarkan metode LTV. Jadi neraca masing-masing pelanggan selama
enam bulan terakhir dihitung berdasarkan nilainya saat ini. Nilai potensial
diprediksi oleh banyak penulis berdasarkan Persamaan.2
---------- (2)
Loyalitas Pelanggan ¼ 1 _ Tingkat churn
Model LTV sebelumnya tidak menghubungkan aktivitas
kampanye apa pun. Sebagian besar peneliti menghubungkan nilai
pelanggan dan aktivitas kampanye, yang merupakan masalah utama.
Banyak penulis tidak mempertimbangkan model LTV. Perhitungan nilai
pelanggan model baru berdasarkan nomor seri proyek yang dikampanyekan
telah dilakukan, sebagai berikut
“Di mana Probij adalah probabilitas strategi pemasaran j untuk
pelanggan tersegmentasi i, Mij adalah faktor kontribusi peningkatan nilai
moneter dari
pelanggan tersegmentasi i untuk pelanggan tersegmentasi i dan N adalah loyalitas
pelanggan yang diharapkan pada tahun tersebut.”
--------- (3)
Lij menyumbang faktor peningkatan loyalitas pelanggan, sedangkan j
adalah strategi adaptasi, i strategi pelanggan dan M adalah jumlah strategi
pemasaran pelanggan.
Model teknologi baru menambahkan dua variabel faktor
kontribusi yaitu Variabel pertama adalah probabilitas pelanggan i
mengadaptasi Strategi j, dan faktor lainnya adalah nilai kontribusi ketika
pelanggan i menggunakan strategi j. Variabel-variabel ini menghubungkan
program Kampanye dan nilai pelanggan.
Demikian pula untuk mengevaluasi nilai potensial adalah
dengan mewawancarai manajer, untuk menemukan jenis layanan baru
yang dapat diusulkan kepada pelanggan mereka di masa depan dan
keuntungan dari setiap layanan. Misalnya, layanan baru di ATM, pengelola
bank hanya merekomendasikan untuk mentransfer uang dan pembayaran
tagihan rekeningnya. Kemudian mereka memperkirakan keuntungan rata-
rata yang akan diperoleh dari layanan baru tersebut. Dengan menggunakan
jaringan netral, profitabilitas kemunculan layanan baru dapat diprediksi.
Fungsi klasifikasi model jaringan saraf dilakukan dengan model prediksi
berdasarkan pola perilaku pelanggan terhadap layanan baru yang
direkomendasikan.
786
Machine Translated by Google
Konferensi Internasional tentang Mekanisme Inovatif untuk Penerapan Industri
Gambar. perhitungan nilai waktu hidup pelanggan
Dalam penggunaan layanan baru, pelanggan memprediksi “ya”
atau “tidak” berdasarkan keyakinan metode model. Keyakinan ini digunakan
untuk menghitung Prob ij. Prediksi nilai potensial pelanggan digunakan
untuk dua item penting, seperti Probij dan Profitij. LTV prediksi untuk setiap
pelanggan digunakan untuk menghitung nilai rata-rata berdasarkan aturan
prediksi pelanggan. Sebagai hasil dari sembilan cluster segmentasi dua
fase yang berbeda ini ditemukan.
Aplikasi manajemen Cluster dapat
ditemukan dengan melihat profil pelanggan. Profil ini ditunjukkan
pada Tabel II. Peringkat ini menunjukkan pengelompokan semua peringkat.
Misalnya cluster 1 RFM ditempatkan pada posisi
keenam yang berarti cluster tersebut penting bagi cluster RFM tersebut.
Tingkat okupasi klaster ini mendominasi dibandingkan klaster lainnya dan
merupakan yang terbaik.
Jadi dari segi pendidikan, cluster ini dianggap yang terbaik
(peringkat 2). Ini juga merupakan cluster terbesar jika dibandingkan dengan
yang lain karena jumlah pelanggan yang dimilikinya. (Lihat tabel II) Profil
cluster didasarkan pada tabel yang menunjukkan bahwa pemasar akan
mampu mengambil keputusan dengan lebih baik dalam meningkatkan
strategi pemasarannya dan menunjukkan keuntungan bagi organisasinya.
VI. KESIMPULAN
Target pemasaran yang paling penting adalah mengidentifikasi
pembeli terbesar dan menganalisis portofolio mereka berdasarkan
segmentasi dan strategi pemasaran. Dalam clustering ini nasabah exiting
dibagi menjadi sembilan kelompok, berdasarkan karakteristik transaksinya.
Strategi penandaan dianalisis di setiap kelompok dengan mengingat profil
pelanggan. Untuk meningkatkan loyalitas pelanggan, pendapatan
978-1-5090-5960-7/17/$31,00 ©2017 IEEE
(ICIMIA 2017)
dan mencari peluang manajemen hubungan pelanggan melakukan
berbagai penelitian lebih lanjut.
Tujuan dari CRM adalah untuk membuat data berdasarkan
model pengelompokan dua fase, bagan kehidupan dan akhirnya
menggunakan jaringan saraf untuk meningkatkan kinerja pelanggan dan
membandingkan serta mencapai pilihan terbaik dari semuanya.
REFERENSI
[1] Jutla, D., Craig, J., & Bodorik, P., “Mengaktifkan dan mengukur elektronik
Kesiapan manajemen hubungan pelanggan”, prosiding tanggal 34
konferensi internasional tahunan Hawaii tentang organisasi ilmu sistem Jalur Sistem dan
Teknologi (hlm. 1–10), 2001.
[2] Stone, M., Woodcock, N., & Wilson, M., “Mengelola perubahan dari
Perencanaan pemasaran hingga manajemen hubungan pelanggan”, Perencanaan
Jangka Panjang, 29, 675–683, 2006.
[3] Swift, RS” Mempercepat hubungan pelanggan: Menggunakan CRM dan teknologi
Hubungan”, Upper saddle river NJ: Prentice Hall PTR, 2001.
[4] Parvatiyar, A., & Sheth, JN, “Manajemen hubungan pelanggan:
Praktek, proses, dan disiplin yang muncul”, Jurnal Penelitian Ekonomi & Sosial, Vol.3,
hlm.1–34, 2001.
[5] Kim, Yong Seog, Street, W. Nick, Russell, Gary J., & Menczer, Filippo,
“Penargetan Pelanggan: Pendekatan Jaringan Neural yang Dipandu oleh
Algoritma Genetika”, Ilmu Manajemen, 51(2), 264–276, 2005.
[6] Jonker, Jedid-Jah, Piersma, Nanda, & Poel, Dirk Van den, “Bersama
optimalisasi segmentasi pelanggan dan kebijakan pemasaran untuk memaksimalkan
profitabilitas jangka panjang”, Sistem Pakar dengan Aplikasi, 27, 159–168, 2004.
[7] Su-Yeon Kim, Tae-Soo Jung, Eui-Ho Suh, Hyun-Seok Hwang, “Segmentasi
pelanggan dan pengembangan strategi berdasarkan pelanggan
nilai seumur hidup: Sebuah studi kasus” Sistem pakar dengan aplikasi, Vol. 31, hal.
101-107, 2006.
[8] Hyunseok Hwang, Taesoo Jung, Euiho Suh , “Model LTV dan
segmentasi pelanggan berdasarkan nilai pelanggan: studi kasus pada industri
telekomunikasi nirkabel” Sistem pakar dengan aplikasi,
Jil. 26, hal.181-188, 2004.
[9] Chu Chai Henry Chan, “Metode segmentasi pelanggan berbasis nilai yang cerdas
untuk manajemen kampanye: Studi kasus pengecer mobil”,
Sistem pakar dengan aplikasi, Vol. 34, hal.2754-2762, 2008.
[10] Sang Chul Lee, Yung Ho Suh, Jae Kyeong Kim, Jun Lee, “A
Segmentasi pasar lintas negara industri game online menggunakan SOM”,
Sistem pakar dengan aplikasi, Vol. 27, hal.599-570, 2004.
[11] Jih-Jeng Huang, Gwo-Hshiung Tzeng, Chorng-Shyong Ong, “Segmentasi
pemasaran menggunakan pengelompokan vektor dukungan”, Sistem pakar
Dengan aplikasi, Vol. 32, hal.313–317, 2007.
[12] Kyoung-jae Kim, Hyunchul Ahn, “Sistem pemberi rekomendasi menggunakan GA
Pengelompokan K-means di pasar belanja online”, Sistem pakar dengan
Aplikasi, Jil. 34, hlm.1200–1209, 2008.
[13] Nan-Chen Hsieh, “Model penambangan data dan penilaian perilaku terintegrasi
untuk menganalisis nasabah bank”, Sistem pakar dengan aplikasi,
Jil. 27, hal.623-633, 2004.
[14] Horng-Jinh Chang, Lun-Ping Hung,*, Chia-Ling Ho, “Sebuah antisipasi
model perilaku pembelian calon pelanggan berdasarkan clustering
analisis dan analisis aturan asosiasi” Sistem pakar dengan aplikasi,
Jil. 32, hal.753-764, 2007.
[15] Jyh-Jian Sheu, Yan-Hua Su, Ko-Tsung Chu, “Segmentasi game online
pelanggan – Perspektif pemasaran berdasarkan pengalaman”, Sistem pakar
dengan aplikasi, Vol. 36, hal.8487–8495, 2009.
[16] John A. McCarty, Manoj Hastak, “Segmentasi mendekat
datamining:
Perbandingan RFM, CHAID, dan regresi logistik”, Jurnal
Riset Bisnis, Vol. 60, hal.656–662, 2007.
[17] Jang Hee Lee, Sang Chan Park “Sistem segmentasi pelanggan yang
menguntungkan dan cerdas berdasarkan alat intelijen bisnis”, Sistem pakar
dengan aplikasi, Vol. 29, hal.1[2]–152, 2005.
[18] Ching-Hsue Cheng, You-Shyang Chen, “Mengklasifikasikan segmentasi
nilai pelanggan melalui model RFM dan teori RS”, Sistem pakar dengan
aplikasi, Jil. 36, hal.4176–4184, 2009.
[19] Chihli Hung, Chih-Fong Tsai, “Segmentasi pasar berdasarkan
Peta hierarki yang mengatur dirinya sendiri untuk pasar multimedia sesuai permintaan”,
Sistem pakar dengan aplikasi, Vol. 34, hal.780-787, 2008.
[20] Wedel, M., & Kamakura, WA, “Segmentasi pasar: Konseptual
Dan landasan metodologis” (Edisi ke-2nd). Dordrecht: Kluwer, 2000.
[21] Irene Gil-Saura dan Maria-Eugenia Ruiz-Molina, “Pelanggan
segmentasi berdasarkan komitmen dan penggunaan ICT”, Manajemen Industri
787
Machine Translated by Google
Konferensi Internasional tentang Mekanisme Inovatif untuk Penerapan Industri
(ICIMIA 2017)
& Sistem Data, Vol. 109 No.2 hal.206-223, 2009.
[22]Duboff, RS (1992). Pemasaran untuk memaksimalkan profitabilitas. Jurnal Strategi
Bisnis, 13(6), 10–13.
[23]Dwyer, FR (1997). Penilaian seumur hidup pelanggan untuk mendukung

pengambilan keputusan pemasaran. Jurnal Pemasaran Interaktif, 11(4), 6–13.

[24]Gloy, BA, Akridge, JT, & Preckel, PV (1997). Seumur hidup pelanggan
nilai:
Sebuah aplikasi di pasar minyak bumi pedesaan. Agribisnis, 13(3), 335–
347.
[24] Pham, DT dan Afify, AA (2006) “Teknik pengelompokan dan penerapannya dalam
bidang teknik”.
Prosiding Institution of Mechanical Engineers, Bagian C: Jurnal Ilmu Teknik Mesin,
[25] AK Jain, MN Murty,
dan PJ
Flynn,(1999) “Data clustering: a review”, ACM Computing Surveys

(CSUR), Vol.31, Edisi 3,, 1999.

[26] Grabmeier, J. dan Rudolph, A. (2002) “Teknik algoritma cluster dalam data
mining” Data Mining
dan Penemuan Pengetahuan, 6, 303-360.
[27] Han, J. dan Kamber, M. (2001) “Data Mining: Konsep dan Teknik”, (Academic
Press, San
Diego, Kalifornia, AS).
[28] Jiyuan An , Jeffrey Xu Yu Phoebe , Chotirat Ann Ratanamatanana, Yi-Ping
Chen,(2007) “A
Algoritma reduksi dimensi dan penerapannya untuk visualisasi interaktif”, Journal of
Visual Languages and Computing,
v.18 n.1,, Februari hal.48-70.
[29] Nargess Memarsadeghi, Dianne P. O'Leary,(2003) “Rahasia
Informasi: Masalah Pengelompokan
Data”, Komputasi dalam Sains dan Teknik, v.5 n.5, September hal.54-
60,

978-1-5090-5960-7/17/$31,00 ©2017 IEEE 788