8. Pembelajaran dari kekuatan yang dimiliki oleh rekan
4.4. Uji Validasi Hasil Pengelompokkan Pelanggan
Uji validasi terhadap nilai parameter yang digunakan pada algoritma FCM dalam penelitian ini dilakukan untuk mendapatkan hasil paling maksimal dengan
biaya komputasi terkecil saat proses klasterisasi. Nilai parameter algoritma FCM yang yang memberikan hasil klasterisasi paling akurat menjadi rekomendasi kepada pengguna saat melakukan klasterisasi terhadap data pelanggan rumah tangga, bisnis dan industri. Namun pengguna juga bisa menggunakan nilai parameter lain sesuai keperluannya saat melakukan klasterisasi terhadap data pelanggan rumah tangga, bisnis dan industri.
4.4.1. Nilai Error dan Iterasi Maksimal
Semakin kecil nilai error yang digunakan maka semakin baik hasil pengelompokkan yang dilakukan. Namun semakin kecil nilai error yang digunakan berimplikasi pada biaya komputasi yaitu biaya komputasi menjadi semakin besar. Sebab nilai error yang semakin kecil maka jumlah iterasi yang terjadi akan semakin banyak. Namun hal ini tergantung juga pada penggunaan iterasi maksimal yang digunakan. Sebab nilai error hanya merupakan salah satu parameter untuk menghentikan iterasi komputasi proses klasterisasi menggunakan algoritma fuzzy
c-mean selain iterasi maksimal.
Tabel 4. Hasil validasi pengelompokkan terhadap nilai error dan iterasi maksimal
Rasio (S)
Error Iterasi
Maksimal Rumahtangga Bisnis Industri
0,01 10 0,20783 9,21E-05 0,026403 50 0,12998 9,16E-05 0,025892 100 0,12795 9,16E-05 0,025896 1000 0,12799 9,16E-05 0,025897 10000 0,12932 9,16E-05 0,02588 100000 0,13698 9,16E-05 0,025396 0,00001 10 0,071624 0,00394 0,025792 50 0,12884 9,15E-05 0,025792 100 0.12789 9,15E-05 0,025792 1000 0.12789 9,15E-05 0,025792 10000 0.12789 9,15E-05 0,025792 100000 0.12789 9,15E-05 0,025792 0,0000001 10 0,12885 0,004361 0,026246 50 0,12789 9,15E-05 0,025792 100 0,12789 9,15E-05 0,025792 1000 0,12789 9,15E-05 0,025792 10000 0,12789 9,15E-05 0,025792 100000 0,12789 9,15E-05 0,025792
Pada percobaan terhadap data pelanggan rumah tangga, pelanggan bisnis dan pelanggan industri diperlihatkan bahwa penggunaan nilai error 0,00001 sudah memperlihatkan hasil validasi rasio kerapatan data dalam klaster dengan keterpisahan antarklaster yang konvergen. Sementara itu nilai percobaan mengunakan nilai iterasi maksimal 100, 1000, 10000 dan 10000, proses pengelompokkan sudah cukup akurat. Sebab nilai rasio antara kerapatan data dalam klaster dengan keterpisahan antarklaster sudah mencapai nilai konvergen. Hasil percobaan menggunakan nilai error dan iterasi maksimal berbeda bisa dilihat pada Tabel 4 di atas.
Walau tidak ada jaminan proses klasterisasi akan sangat akurat pada iterasi ke-100, namun dalam penelitian ini akan digunakan nilai error 0,00001 dan iterasi maksimal 100 sebagai parameter pembatas dalam proses iterasi pengelompokkan menggunakan algoritma fuzzy c-mean. Alasannya, pada nilai tersebut proses klasterisasi tidak memerlukan biaya komputasi yang tidak terlalu besar namun mampu menghasilkan nilai uji validasi yang sudah konvergen.
4.4.2. Parameter Fuzzy
Dalam penelitian ini digunakan parameter fuzzy antara 1.5 hingga 10. Interval ini digunakan dengan maksud untuk melihat pada parameter fuzzy ke berapa data bisa terkelompok secara akurat. Sebab setiap data memiliki karakter yang spesifik dan nilai parameter fuzzy tersendiri sehingga tidak bisa dipastikan bahwa hasil terbaik pengelompokkan akan didapatkan pada penggunaan parameter fuzzy ke berapa. Lagi pula tidak ada jaminan bahwa semakin kecil atau semakin besar nilai parameter fuzzy yang digunakan akan menghasilkan pengelompokkan terbaik.
Berdasarkan hasil percobaan terhadap data golongan pelanggan rumah tangga, bisnis dan industri hasil uji validasi terbaik diperoleh pada nilai parameter fuzzy 1,5. Pada penggunaan nilai parameter fuzzy 1,5, rasio kerapatan data dalam klaster dan keterpisahan antarklaster menghasilkan nilai yang paling kecil dibandingkan menggunakan nilai parameter fuzzy lain yang digunakan dalam penelitian ini. Hasil validasi terbaik menggunakan nilai parameter fuzzy 1,5 ini terjadi pada percobaan kombinasi variabel A, B, C, D, AB, AC, AD, BC, BD, CD, ABC, ABD, ACD, BCD
dan ABCD. Hasil lengkap percobaan terhadap data pelanggan rumah tangga bisa dilihat pada Lampiran 1.
4.4.3. Jumlah Klaster
Dalam penelitian ini digunakan jumlah klaster 3, 4 dan 5. Alasannya, selama ini manajemen PT PLN mengelompokkan pelanggannya dalam interval antara 3 hingga 5 dalam berbagai kepentingan bisnis dan pelayanan terhadap pelanggan. Dengan alasan itu maka pada penelitian ini akan dilihat pada jumlah klaster ke berapa hasil pengelompokkan mencapai hasil terbaik. Dengan kata lain pada penggunaan klaster berapa data memiliki sifat kemiripan yang sangat dekat dalam klaster masing-masing dan memiliki sifat ketidakmiripan yang jauh antarklaster.
1. Pelanggan Rumah Tangga
Pada percobaan terhadap data pelanggan rumah tangga diperoleh hasil bahwa pengelompokkan terbaik dicapai pada jumlah klaster 3 kecuali pada variabel C. Pada pengelompokkan pelanggan ke dalam 3 klaster dihasilkan nilai rasio kekompakan dan keterpisahan (S) paling kecil. Hal ini terjadi pada kombinasi variabel A, B, D, AB, AC, AD, BC, BD, CD, ABC, ABD, ACD, BCD dan ABCD. Hasil validasi rasio kerapatan data dalam klaster dengan keterpisahan data antarklaster pada data pelanggan rumah tangga bisa dilihat pada Gambar 10 di bawah ini.
0,00E+00 5,00E-02 1,00E-01 1,50E-01 2,00E-01 2,50E-01 3,00E-01 3,50E-01 4,00E-01 4,50E-01 5,00E-01
A B C D AB AC AD BC BD CD ABC ABD ACD BCD ABCD
Kombinasi Variabel R asi o ( S )
3 cluster 4 cluster 5 cluster
Gambar 10. Hasil validasi pengelompokkan pada data pelanggan rumah tangga dengan 3 klaster, 4 klaster dan 5 klaster.
Gambar 10 di atas memperlihatkan bahwa pengelompokkan pelanggan ke dalam 3 klaster jauh lebih memiliki kemiripan ciri dibandingkan bila pelanggan di kelompokkan ke dalam 4 klaster atau 5 klaster. Hal tersebut diperlihatkan dengan hasil rasio antara kerapatan antarklaster pada penggunaan 3 klaster jauh lebih kecil dibandingkan 4 atau 5 klaster. Hasil lengkap validasi pengelompokkan pelanggan rumah tangga ini bisa dilihat pada Lampiran 1.
2. Pelanggan Bisnis
Hasil percobaan pada data pelanggan bisnis menggunakan kombinasi variabel A, B, D, AB, AC, AD, BC, BD, CD, ABC, ABD, ACD, BCD dan ABCD diperlihatkan bahwa pelanggan lebih akurat jika dikelompokkan ke dalam 3 klaster dibandingkan ke dalam 4 klaster ataupun 5 klaster. Sebab pada percobaan menggunakan data pelanggan bisnis, hasil nilai rasio antara kerapatan data dalam klaster dan keterpisahan data antarklaster menggunakan 3 klaster lebih kecil dibandingkan 4 klaster atau 5 klaster. Hal ini bisa dilihat pada validasi hasil pengelompokkan pelanggan bisnis di Lampiran 1. Untuk melihat gambaran uji validasi pada data pelanggan bisnis ini bisa dilihat pada Gambar 11 berikut ini.
0,00E+00 5,00E-03 1,00E-02 1,50E-02 2,00E-02 2,50E-02 3,00E-02 3,50E-02
A B C D AB AC AD BC BD CD ABC ABD ACD BCD ABCD
Kombinasi Variabel Ra s io ( S )
3 cluster 4 cluster 5 cluster
Gambar 11. Hasil validasi pengelompokkan pada data pelanggan bisnis dengan 3 klaster, 4 klaster dan 5 klaster.
3. Pelanggan Industri
Hasil percobaan terhadap kombinasi variabel A, B, AB, AC, BC, BD, ABC, ABD, BCD dan ABCD, pelanggan industri lebih akurat jika dikelompokkan ke dalam 3 klaster dibandingkan ke dalam 4 klaster atau 5 klaster. Sebagai buktinya, hasil rasio terkecil antara kerapatan data dalam klaster dengan keterpisahan data antarklaster diperoleh pada pengelompokkan pelanggan ke dalam 3 klaster. Sementara itu, pengelompokkan pelanggan berdasarkan kombinasi variabel D, AD, CD dan ACD, pelanggan industri lebih akurat jika dikelompokkan ke dalam 4 klaster dibandingkan 3 atau 5 klaster. Hasil lengkap validasi terhadap pengelompokkan ini bisa dilihat pada Lampiran 1.
0,00E+00 2,00E-02 4,00E-02 6,00E-02 8,00E-02 1,00E-01 1,20E-01 A B C D AB AC AD BC BD CD ABC ABD ACD BCD ABC D Kombinasi Variabel Ra s io ( S )
3 cluster 4 cluster 5 cluster
Gambar 12. Hasil validasi pengelompokkan pada data pelanggan industri dengan 3 klaster, 4 klaster dan 5 klaster.