Optimization of K Value in Clustering Using Silhouette Score (Case Study: Mall Customers Data)

Pengelompokan data merupakan salah satu bagian penting pada penerapan data mining, salah satu manfaatnya adalah untuk menentukan target pasar. Metode pengelompokan yang biasa digunakan dalam konsep data mining adalah menggunakan K-Means. Teknik K-Means mengelompokan data berdasarkan kemiripan. Data yang memiliki karakteristik yang sama akan dimasukan ke dalam cluster yang sama. Nilai K menunjukkan jumlah cluster yang akan dibentuk dari dataset yang dimiliki. Penentuan jumlah kelompok atau nilai K akan mempengaruhi kualitas hasil pengelompokan yang terbentuk. Sehingga untuk menentukan nilai K diperlukan teknik khusus agar hasil pengelompokan lebih optimal. Dalam penelitian ini teknik yang digunakan untuk menentukan nilai k menggunakan silhouette score. Untuk evaluasi model k-means menggunakan teknik Davies Bouldin Indek (DBI). Nilai DBI yang paling baik adalah mendekati 0. Parameter yang digunakan adalah jumlah pendapatan dan jumlah pengeluaran konsumen. Berdasarkan hasil penelitian ini dapat disimpulkan bahwa metode silhouette score dapat memberikan nilai k dengan hasil yang optimal. Untuk data mall customer sebanyak 200 data diperoleh nilai silhouette score paling optimal di K=5 dengan nilai DBI=0,57.