Klasterisasi Toko Berdasarkan Monitoring Summary Audit Kepuasan Pelanggan Menggunakan Algoritma BIRCH

Maulana Agung Saputro; Puspita  Maelani; Rifka  Audinasari

doi:10.58602/chain.v4i3.281

Maulana Agung Saputro ^{(Corresponding Author)} Politeknik Negeri Jakarta
Puspita Maelani Politeknik Negeri Jakarta
Rifka Audinasari Politeknik Negeri Jakarta

DOI: https://doi.org/10.58602/chain.v4i3.281

Keywords: Audit Kepuasan Pelanggan, Kualitas Pelayanan, BIRCH Clustering, Silhouette Coefficient, Big Data

Abstract

Audit kepuasan pelanggan internal merupakan fungsi penilaian independen yang penting bagi perusahaan ritel untuk menjaga konsistensi kualitas layanan di seluruh jaringan toko. PT XYZ memiliki 210 toko di Indonesia dan secara rutin melaksanakan audit berbasis web. Namun, Supervisor Toko masih mengalami kesulitan dalam menentukan prioritas pelatihan dan evaluasi karena belum mengetahui parameter checklist mana yang paling berpengaruh terhadap penurunan final score toko. Penelitian ini bertujuan membangun model klasterisasi toko berdasarkan karakteristik parameter checklist bernilai rendah dengan algoritma BIRCH. Dataset penelitian berjumlah 109.566 data audit tahun 2025 yang berasal dari sistem internal perusahaan. Metode penelitian mengikuti kerangka CRISP-DM yang meliputi Business Understanding, Data Understanding, Data Preparation, Modeling, Evaluation, dan Deployment. Tahap preprocessing mencakup data cleaning, data selection, data transformation, serta normalisasi Z-Score agar data siap diproses. Proses modeling menggunakan CF-Tree dengan parameter Branching Factor B dan Threshold T yang dimodifikasi secara dinamis untuk meningkatkan kualitas cluster. Evaluasi cluster dilakukan menggunakan Silhouette Coefficient. Hasil penelitian menunjukkan terbentuk 2 cluster optimal dari CF4 dan CF5 dengan nilai SC Cluster 1 sebesar 0,9994, SC Cluster 2 sebesar 0,9988, dan SC Global sebesar 0,9989. Hasil ini menunjukkan struktur cluster yang sangat kuat dan valid. Sistem berbasis Python juga berhasil menampilkan visualisasi scatter plot sebagai dasar pengambilan keputusan evaluasi kinerja karyawan.

References

Z. Zhang, R. Ramakrishnan, dan M. Livny, "BIRCH: An Efficient Data Clustering Method for Very Large Databases," ACM SIGMOD Record, vol. 25, no. 2, hal. 103–114, 1996, doi: 10.1145/235968.233324.

G. Puspita Sari, Adiwijaya, dan M. Arif Bijaksana, "Analisis dan Implementasi Teknik Clustering BIRCH untuk Segmentasi Pelanggan," Jurnal Teknik Informatika, Universitas Telkom, 2008.

F. Ramadhani, M. Zarlis, dan B. B. Nasution, "Improve BIRCH Algorithm for Big Data Clustering," Journal of Physics: Conference Series, vol. 1566, no. 1, hal. 012060, 2020, doi: 10.1088/1742-6596/1566/1/012060.

J. Han, M. Kamber, dan J. Pei, Data Mining: Concepts and Techniques, 3rd ed. Waltham, MA: Morgan Kaufmann, 2011.

M. Aldo Shauma, Y. Purwanto, dan A. Novianty, "Deteksi Anomali Trafik Menggunakan Algoritma BIRCH dan DBSCAN menggunakan Streaming Traffic," in Prosiding Seminar Nasional, Telkom University, Bandung, 2016.

I. H. Witten, E. Frank, M. A. Hall, dan C. J. Pal, Data Mining: Practical Machine Learning Tools and Techniques, 4th ed. Cambridge, MA: Morgan Kaufmann, 2017.

T. Zhang, R. Ramakrishnan, dan M. Livny, "BIRCH: A New Data Clustering Algorithm and Its Applications," Data Mining and Knowledge Discovery, vol. 1, no. 2, hal. 141–182, 1997, doi: 10.1023/A:1009783824328.

D. Pramodh Krishna, A. Senguttuvan, dan T. Swarna Latha, "Clustering on Large Numeric Data Sets Using Hierarchical Approach BIRCH," International Journal of Computer Science and Information Technology, vol. 3, no. 3, 2012.

A. Lang dan E. Schubert, "BETULA: Numerically Stable CF-Trees for BIRCH Clustering," in Proceedings of SISAP 2020, Lecture Notes in Computer Science, Springer, 2020, doi: 10.1007/978-3-030-60936-8_17.

P. J. Rousseeuw, "Silhouettes: A Graphical Aid to the Interpretation and Validation of Cluster Analysis," Journal of Computational and Applied Mathematics, vol. 20, hal. 53–65, 1987, doi: 10.1016/0377-0427(87)90125-7.

P. Chapman et al., "CRISP-DM 1.0: Step-by-Step Data Mining Guide," CRISP-DM Consortium, 2000. [Online]. Tersedia: https://www.the-modeling-agency.com/crisp-dm.pdf.

Q. Sun, Y. Duan, dan F. Liu, "Application of Improved Multi-Threshold BIRCH Clustering in Reservoir Prediction," in Proceedings of 2019 IEEE International Conference on Signal Processing, Communications and Computing (ICSPCC), 2019.

Suhanda, Kurniati, dan Norma, "Penerapan Metode CRISP-DM dengan Algoritma K-Means Clustering untuk Segmentasi Mahasiswa Berdasarkan Kualitas Akademik," Jurnal Sistem Informasi, vol. 9, no. 1, 2020.

I. B. Fernando, "A Novel Model for Time-Series Data Clustering Based on Piecewise SVD and BIRCH for Stock Data Analysis on Hadoop Platform," Undergraduate Thesis, University of Colombo School of Computing, Sri Lanka, 2016.

Kamila, Khairunnisa, dan Mustakim, "Perbandingan Algoritma K-Means dan K-Medoids untuk Pengelompokan Data Transaksi Bongkar Muat di Provinsi Riau," Jurnal Rekayasa dan Manajemen Sistem Informasi, vol. 5, no. 1, 2019.

N. Shahini dan R. B. Arthinivasini, "Clustering Dynamic Data Streams Using Enhanced BIRCH Technique," International Journal of Computer Science and Engineering, vol. 7, no. 3, 2019.

I. M. Sumertajaya dan Erfiani, "Analisis Gerombol Menggunakan Metode Two Step Cluster," Jurnal Statistika, Departemen Statistika FMIPA IPB, 2007.

A. Rizqi Utami, Y. Purwanto, dan N. Anbarsanti, "Sistem Deteksi Anomali Trafik secara Real-Time Menggunakan Algoritma Clustream," in Prosiding e-Proceedings of Engineering, Universitas Telkom, 2017.