Analisis Cluster untuk Data Mining

 

  A. PENDAHULUAN

Analisi cluster merupakan metode yang sangat penting untuk menggolongkan berbagai item kedalam pengelompokkan umum yang disebut cluster. Metode ini umum didalam biologi, kedokteran, genetika, ilmu sosial, ilmu antropologi, arkelogi, astronomi, pengenalan karakter dan bahkan dalam pengembangan MIS. Sebagaimana popularitas data  mining meningkat, berbagai metode pun telah diberlakukan bagi bisnis, terutama pemasaran. Analisis cluster telah digunakan secara ekstensif untuk deteksi penipuan, penipuan kartu kredit, e-commerce dan segmentasi pasar pelanggan didalam sistem CRM. Lebih banyak aplikasi didalam bisnis terus dikembangkan ketika kekuatan analisis cluster dipahami dan digunakan.

  B. Analisi Cluster untuk Analisis Data

Analisis cluster adalah suatu alat analisa data untuk memecahkan masalah penggolongan. Tujuannya adalah mengrutkan kasus ( orang, benda, peristiwa, dll) kedalam kelompok atau cluster, sehingga tingka asosiasi kuat antara anggota dari cluster yang sama dan lemah diantara anggota dari cluster yang berbeda. Masing – masing cluster menguraikan kelas anggota yang ia miliki. Contoh satu dimensi dari analisis cluster adalah membuat range skor untuk menentukan tingkat suatu kelas perguruan tinggi. Ini serupa dengan masalah analisis cluster yang dihadapi oleh Departemen Keuangan AS ketika menetapka tarif pajak baru pada 1980-an. Suatu contoh fiksi tentang cluster pada buku karya J. K. Rowling, Harry Potter. Sorting Hat menentukan siswa tahun pertama di Hogwarts School. Contoh lain melibatkan bagaimana menempatkan para tamu pada suatu perkawinan. Sebagaimana data mining terus berkembang, analisis cluster terus menjadi penting karena ia memungkinkan pengungkapan struktur dan asosiasi didalam  data yang sebelumnya tidak diketahui, sehingga menjadi bermanfaat dan masuk akal begitu data tersebut ditemukan.

            Hasil analisis cluster digunakan untuk :

·         Membantu mengindentifikasikan suatu rencana penggolongan (misal, jenis pelanggan)

·         Menyarankan model statistik untuk menggambarkan populasi

·         Mengindikasikan aturan untuk menugaskan kasus baru pada kelas-kelas untuk identifikasi, target dan tujuan diagnostik.

·         Menyediakan ukuran-ukuran definisi, ukuran dan perubahan terhadap keluasaan konsep sebelumnya.

·         Menemukan kasus umum untuk merepresentasikan kelas-kelas

  C. Metode – Metode Analisis Cluster

Analisis cluster dapat didasarkan pada suatu atau lebih metode umum berikut ini:

·         Statistik (termasuk hierarki dan nonhierarki)

·         Optimal

·         Jaringan saraf

·         Fuzzy logic

·         Algoritma genetika

Masing – masing metode ini biasanya bekerja dengan salah satu dari dua kelas metode berikut ini :

·         Divisive : semua item memulai pada suatu cluster dan dipisahkan

·         Agglomerative : semua item memulai pada cluster individu, dan cluster – cluster yang bekerja bersama.

Kebanyakan metode analisis cluster meibatkan penggunaan suatu jarak antara sepasang item. Artinya ada ukuran persamaan antara setiap suatu pasang item untuk dikelompokkan. Sering mereka berdasar jarak sesungguhnya yang diukur tetapi tidak perlu seperti itu, seperti yang umum terjadi pada kasus pengembangan SI. Rata – rata bobot dapat digunakan untuk menetapkan jarak. Sebagai contoh pada sebuah proyek pengembangan SI, modul individu dari sistem mungkin terkait dengan persamaan antara input, output, proses dan data spesifik yang digunakan. Faktor ini kemudian dikumpulkan dan dipasangkan berdasarkan item kedalam suatu ukuran jarak tunggal.

  D. Perangkat Lunak Analisis Cluster

Selain data mining dimana metode analisis cluster dilekatkan, ada beberapa paket khusus untuk analisis cluster, meliputi :

·         ClustanGraphies (Clustan)

·         Decision WORKS Suite (Advanced Software Application)

·         SPSS

·         Poly Analyst Cluster Engine (Megaputer)

·         Sokal code

  E. Analisis Cluster yang Efektif / aplikasi Data Mining

Goulet dan Wishart (1996) menyediakan contoh yang baik bagaimana suatu bank dapat menggolongkan pelanggannya untuk secara dramatis meningkatkan jasa keuangan mereka. Co-Operative Movement Desjardin’s menjadi institusi perbankan yang paling besar di Qubec (Canada). Ketika analisis ini dilaksanakan, ada 1329 cabang dan 4,2 juta anggota. Organisasi telah menggabungkan aset lebih dari $80 miliar (Canada). Ia sedang dalam proses layanan teller, meningkatkan penggunaan ATM dan metode TI lain, ia juga menawarkan produk dan jasa yang mencakup asuransi jiwa dan properti dan beberapa yang lain. Karena masing-masing cabang mandiri, maka Confederation perlu menjual produknya kepada cabangnya dan anggotanya. Pada awal studi para eksekutif bank menyadari bahwa mereka memerlukan tipologi anggota tidak hanya untuk mempertahankan loyalitas pelanggan, tetapi juga unutuk menangkap lebih banyak pangsa pasar dengan mengindentifikasi layanan yang profitabel untuk memuaskan kebutuhan anggota dan meningkatkan penetrasi pasar.

            Bank melakukan analisis cluster terhadap contoh 16.000 anggota. Dengan melakaukan hal tersebut ia mengenali 16 variabel yang mencerminkan karakteristik pola transaksi keuangan. 30 jenis anggota berhasisl dikenali. Erikutnya 4,2 juta anggota (semuanya) digolongkan sesuai dengan 16 ukuran yang digunakan untuk menempatkan mereka kedalam satu atau lebih 30 cluster anggota.

            Sekarang para manajer dan analis keuangan dapat mengindentifikasi anggota yang transaksi keuangannya ada diantara satu atau lebih dari 30 cluster tersebut. Dengan cluster anggota tertentu, profitabilitas setiap cluster transaksi dan akun pelanggan individu dapat diukur. Masing-masing manajer cabang dapat melihat pelangannya sebagai investasi pada sebuah portofolio dan segmen pasar tertentu untuk produk dan layanan cabang pun telah dikenalai.

            Hasilnya mengesankan. Bank dapat mengindentifikasi anggota dengan volume transaksi besar dalam satu akaun dengan mencocokannya dengan asuransi atau pinjaman mereka lainnya. Para manajer kemudian bisa menyarankan konsolidasi yang lebih ekonomis terhadap investasi dan pinjaman anggota, dengan demikian mendorong kearah tingkat kepuasan pelanggan yang lebih tinggi. Lagipula para manajer dapat menyarankan diverifikasi yang lebih terhadap investasi anggota.

Akan tetapi hasil paling mengesankan adalah usaha pemasaran bank. Bank dapat fokus pada produk dan jasa yang mempuyai perforna keuangan yang terbaik dan menargetkannya kepada pelanggan yang sesuai. Hal ini mengurangi biaya surat dan kontak. Tingkat respon ditingkatkan dengan menargetkan promosi produk yang menuju kepada pemerekan yang lebih baik dan kepad retensi pelanggan. Sesungguhnya lebih banyak pelanggan profitabel yang dapat dipertahankan pada biaya yang lebih sedikit.