Kombinasi Algoritma Agglomerative Clustering Dan K-Means Untuk Segmentasi Pengunjung Website
DOI:
https://doi.org/10.34818/eoe.v2i1.2754Abstrak
Clustering merupakan salah satu bagian penting dalam penggunaan web mining untuk segmentasi pengunjung web. Dalam tulisan ini, kami melakukan pengelompoka n pengunjung web menggunakan kombinasi metode clustering hirarki dan non-hirarki terhadap data log web site akademik. Metode pengelompokan hirarki dan non-hirarki yang digunakan dalam tugas akhir ini yaitu Agglomerative Clustering dan K-Means. Agglomerative Clustering digunakan untuk menentukan jumlah cluster, K-Means digunakan untuk membentuk segmentasi. Dari pengujian yang dilakukan pada data log website akademik, beberapa kelompok pengunjung web dihasilkan. Terdapat beberapa hari dimana banyak menu yang diakses oleh user. Pada minggu 1, lebih cenderung pada menu yang diakses adalah tentang menu Registrasi, baik itu dalam tagihan pembayaran, keterlambatan registrasi dan proses registrasi. Pada minggu 2, user cenderung dominan pada menu silabus dan akademik mahasiswa baik kehadiran maupun jadwal mahasiswa. Sementara pada minggu 3 user tidak cenderung pada beberapa menu saja melainkan banyak menu yang di kunjungi, namun pada minggu 3 ini hal yang paling diperhatikan adalah pada menu tentang Tugas Akhir/Proyek Akhir. Pada minggu 4 yang paling diperhatikan adalah pada menu tentang akademik mahasiswa baik kehadiran, presensi maupun jadwal. Kata kunci : Clustering, Data Mining, Data log web, Segmentasi.
Unduhan
Referensi
[1] Santosa, B. (2007). Data Mining: Teknik Pemanfaatan Data untuk Keperluan Bisnis (1st ed.). Yogyakarta: Graha Ilmu.
[2] Cooley, R., et al. (1999). WebSIFT: The Web Site Information Filter System. Department of Computer Science, University of Minnesota.
[3] Han, J., & Kamber, M. (2006). Data Mining: Concepts and Techniques. Morgan Kaufmann Publishers.
[4] Arai, K., & Barakbah, A. R. (2007). Hierarchical K-means: An algorithm for centroids initialization for K-means.
[5] Laboratorium Data Mining Jurusan Teknik Industri Fakultas Teknologi Industri Universitas Islam Indonesia. Modul II Clustering. [Online]. Tersedia: http://www.ss354.com/wpcontent/uploads/2014/03/Data-Mining-Modul-Clustering-Modul-Clustering.pdf [Diakses 3 Mei 2014].
[6] Santoso, S. (2010). Statistik Multivariat. Jakarta: Elex Media Komputindo.
[7] Satriyanto, E. (2010). Clustering. [Online]. Tersedia: http://student.eepisits.edu/~spydeeyk/download/sem4/statistik/clustering.doc [Diakses 14 Mei 2014].
[8] Srivastava, J., et al. (2000). Web Usage Mining: Discovery and Applications of Usage Patterns from Web Data. Department of Computer Science and Engineering, University of Minnesota.
[9] Yuhefizar. (2008). 10 Jam Menguasai Internet dan Aplikasinya. Jakarta: PT Elex Media Komputindo. ISBN: 978-979-27-3470-6.



