Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
ABSTRAK
Perusahaan manufaktur, salah satunya manufaktur ban, menghadapi tantangan yang besar dalam meningkatnya jumlah variasi produk sebagai dampak dari usaha dalam memenuhi  kebutuhan konsumen yang bervariasi. Variasi produk ini berakibat pada meningkatnya kompleksitas internal dari segi desain dan produksi. Oleh karena itu, variasi produk harus dikontrol agar efek positif dari peningkatan jumlah variasi produk dapat dicapai oleh perusahaan. Salah satu solusi untuk menghadapi tantangan tersebut adalah dengan membangun struktur product family dari produk data yang ada saat ini. Pada penelitian ini, data produk dikelompokkan ke dalam klaster-klaster berdasarkan karakteristik umum dan spesifiskasi komponen penyusun produk. Algoritma yang digunakan pada analisis klaster ini, yaitu algoritma k-prototypes dimana data yang diproses berupa mixed data mixed atau gabungan antara data yang berskala rasio dan nominal. Variasi dalam satu klaster memiliki kesamaan dari segi karakteristik dan komponen penyusun yang kemudian diasumsikan sebagai satu family produk. Data produk diklasterisasi  menggunakan algoritma klaster k-prototypes dimana nilai lambda dan k ditentukan sehingga tercapai tingkat kepentingan variabel yang seimbang antara variabel berskala rasio dan nominal. Dari hasil perhitungan algoritma klaster k-prototypes, data produk diklasterisasi dan diinterpretasi ke dalam 67 klaster.

---

ABSTRACT
Manufacturing companies, such as tire manufactures are facing great challenges to cope with increased product variety which induced by customer demand. This variety lead to higher internal complexity in term of design and production. Thus, variety has to be well-managed in order to guarantee the positive outcome for company. One of the solution is to have a well-structured product family. In this research, products data are partitioned into clusters by applying cluster analysis for mixed-type data based on their general characteristic and component specification. Variants within cluster have similarities in term of characteristics and main product component used in production and assume as a  product family. Data is clustered using k-prototypes algorithm in which the effect in variabel importance of ratio scaled and nominal scaled found its balance. By applying this condition in the algorithm to handle these mixed type data, the data set is clustered and interpreted into sixty seven different clusters using selected variables.

Abstrak :
Telemedicine merupakan solusi ideal untuk menjadi layanan kesehatan di era COVID-19. Halodoc merupakan salah satu aplikasi telemedicine terbaik di Indonesia. Sejak tahun 2022, Halodoc sudah mempunyai lebih dari 15.000.000 pengguna sehingga perlu mengganti fokus bisnisnya dari product oriented menjadi customer oriented. Halodoc perlu melakukan analisis customer segmentation untuk mengetahui karakteristik pengguna lebih dalam. Analisis ini menggunakan salah satu teknik data mining yaitu clustering menggunakan algoritma K-Prototypes. Atribut penggunaan voucher, total transaksi, kategori produk, spesialis dokter, provider asuransi, kelompok usia, merek handphone, dan lokasi digunakan pada penelitian ini. Pengguna Halodoc yang melakukan transaksi minimal 1 kali selama November 2021 hingga Januari 2022 yang berjumlah 193.000 pengguna akan disegmentasi. Hasilnya adalah pengguna Halodoc dapat disegmentasi menjadi 4 status sosial yaitu working class, petty bourgeoise, middle class, dan high class. Status sosial yang memiliki ukuran terbesar adalah middle class yaitu dengan proporsi 46,69% dari keseluruhan pengguna. Pengguna yang paling potensial untuk Halodoc adalah yang berasal dari status sosial High Class karena memiliki frekuensi transaksi terbanyak dan nominal pengeluaran terbesar. ......Telemedicine is the ideal solution to become a healthcare service in COVID-19 era. Halodoc is one of the best telemedicine applications in Indonesia. Since 2022, Halodoc has more than 15.000.000 users, so they need to change its business focus from product oriented to customer oriented. Halodoc needs to do customer segmentation analysis to find out more about user’s characteristics. This analysis uses one of data mining techniques which is K-Prototypes Clustering. Voucher usage, total transaction, doctor specialist, insurance provider, age group, mobile phones’s brand, and location are used in this study. Halodoc’s users who make transactions at least 1 time during November 2021 to January total 193.000 users will be segmented. The results is Halodoc’s users can be segmented into 4 social classes such as working class, petty bourgeoise, middle class, and high class. Social status that has the largest size is the middle class with the proportion of 46.69% of the total users. The most potential users for Halodoc are those from High Class social status because they have the highest transaction frequency and the largest nominal spending.