HR Potensi Pelanggan Tunggakan PDAM  Menggunakan Metode K-Medoids dengan  Optimasi Ant Colony Optimization (ACO)

Hardi yusa; Made Sudarma; N Pramaita

doi:10.24843/MITE.2018.v17i03.P08

Hardi yusa Universitas Udayana
Made Sudarma
N Pramaita

##plugins.pubIds.doi.readerDisplayName## https://doi.org/10.24843/MITE.2018.v17i03.P08

Abstrak

PDAM dalam menjalankan kegiatan operasional sangat dipengaruhi oleh piutang atau tunggakan tagihan air pelanggan. Beberapa faktor yang mempengaruhi pola pelanggan dalam menunggak tagihan air yaitu golongan pelanggan dan konsumsi pemakaian air sehingga mempengaruhi tagihan air yang dibayar oleh pelanggan. Penelitian ini akan diterapkan metode clusteringK-Medoidsuntuk mengetahui pelanggan yang menunggak di PDAM dengan melakukan optimasi pada pemilihan titik pusat clustermenggunakan algoritma Ant ColonyOptimization(ACO). Dalam penelitian ini penggabungan metode ACO dan K-Medoidsdisebut ACOMedoids. Hasil dengan metode ACOMedoidsdapat menghasilkan tingkat akurasi yang tinggi dari perbandingan data hasil clusteringdengan data tagihan aktual. Hal ini terlihat pada hasil akurasi yang selalu lebih baik dibandingkan dengan metode K-Medoidsyaitu tertinggi mencapai akurasi 97,65% untuk ACOMedoidssedangkan K-Medoids88,29%. Hasil akurasi menunjukkan algortima ACO dapat menghasilkan titik pusat clusteryang optimal pada proses clusteringmetode K-Medoids.

##plugins.generic.usageStats.downloads##

##plugins.generic.usageStats.noStats##

Referensi

[1] BPPSPAM. Buku Kinerja PDAM 2016. Jakarta: BPPSPAM, 2016.
[2] C. Laspidou, et all. “Exploring Patterns In Water Consumption By Clustering” Elsevier: Procedia Engineering 13th Computer Control for Water Industry Conference, CCWI, 2015, 119:1439-1446.
[3] S. Moedjiono, F. Fransisca and A. Kusdaryono. “Segmentation and Classification Customer Payment Behavior at Multimedia Service Provider Company with K-Means and C4.5 Algorithm” International Journal of Computer Networks and Communications Security, Vol. 4, No. 9:265–275, 2015.
[4] K. Dahiya, S. Bhatia, “Customer Churn Analysis in Telecom Industry” IEEE 4th International Conference on Reliability, Infocom Technologies and Optimization (ICRITO) (Trends and Future Directions), 2-4 Sept. 2015.
[5] A. J. Hamid and T. M. Ahmed. “Developing Prediction Model Of Loan Risk In Banks Using Data Mining” Machine Learning and Applications: An International Journal (MLAIJ), Vol.3, No.1, 2016.
[6] M. Sood and S. Bansal, “K-Medoids Clustering Technique using Bat Algorithm” International Journal of Advanced Research in Computer Science and Software Engineering, 2013, Vol.5, No.8:20-22.
[7] R. Hadi, I K. G. D. Putra dan I N. S. Kumara, “Penentuan Kompetensi Mahasiswa Dengan Algoritma Genetik Dan Metode Fuzzy C-Means”, Majalah Ilmiah Teknologi Elektro, Vol. 15, No. 2, Juli - Desember 2016.
[8] P. Suwirmayanti, I K. G. D. Putra dan I N. S. Kumara, “Optimasi Pusat Cluster K-Prototype Dengan Algoritma Genetika”, Majalah Ilmiah Teknologi Elektro, Vol. 13, No. 2, Juli - Desember 2014.
[9] M. Dorigo, L. M. Gambardella, “Ant Colony System: A Cooperative Learning Approach to the Traveling Salesman Problem”, IEEE Transactions on Evolutionary Computation, 1:53-56, 1997.
[10] M. Dorigo, T. Stutzle, Ant Colony Optimization. London: A Bradford Book The MIT Press, 2004.
[11] J. Han, M. Kamber, Data mining: Concept and Techniques second edition. USA: Elsevier Inc, 2006.
[12] F. Gorunescu, Data mining Concepts, Models and Techniques. Romania: Springer-Verlag Berlin Heidelberg, 2011.