Tugas Besar Data Mining Fix (Kelompok 1) [PDF]

Citation preview

IDENTIFIKASI FAKTOR-FAKTOR YANG MEMPENGARUHI MILENIAL DALAM MEMILIH SMARTPHONE YANG BERMEREK IPHONE



Dosen: Fredi Andria, STp., M.M.



Disusun oleh : Fitri Amalia Ikhtiyari Muhammad Raflisyah Sri Nurhayati Pakarti Syarul Hidayat Muhamad Try Septian



(021118399) (021118432) (021118417) (021118410) (021118423)



PROGRAM STUDI MANAJEMEN FAKULTAS EKONOMI UNIVERSITAS PAKUAN BOGOR Jl. Pakuan PO Box 452 Bogor 16413 Jawa Barat Indonesia Telp. 0251-8312206, 021518380137 http://www.feunpak.web.id Email: [email protected] 1



DAFTAR ISI



Halaman Judul.......................................................................................................



1



Daftar Isi ..............................................................................................................



2



Daftar Gambar ......................................................................................................



4



Dafar Table ………………………………………………………………………



5



Kata Pengantar.......................................................................................................



6



Bab 1 Pendahuluan ……………………………………………………………...



7



1.1 Latar Belakang Penelitian ........................................................................



7



1.2 Identifikasi Masalah dan Perumusan Masalah.........................................



7



1.2.1. Identifikasi Masalah.................................................................



7



1.2.2. Perumusan Masalah..................................................................



7



1.3 Maksud dan Tujuan Penelitian.................................................................



8



1.3.1. Maksud Penelitian....................................................................



8



1.3.2. Tujuan Penelitian......................................................................



8



1.4.Kegunaan Penelitian……………………………….................................



8



Bab II Referensi ....................................................................................................



9



2.1.



Data Mining .......................................................................................



9



2.2.



Metode Classification ........................................................................



9



2.3.



Metode Clustering .............................................................................



11



2.4



Konsep Harga.....................................................................................



14



2.5.



Konsep Kualitas ................................................................................



14



2.6.



Konsep Citra Nama ...........................................................................



15



2.7.



Konsep Fitur - Fitur ...........................................................................



16



2.8.



Kerangka Berpikir .............................................................................



17



2.9.



Hipotesis Penelitian ...........................................................................



17



Bab III Metode Penelitian ....................................................................................



18



3.1.



Jenis Penelitian …………………………………………................



18



3.2



Metode Penarikan Sample ………………………………………….



18



3.3



Metode Pengumpulan Data …………………………………………



18



3.4



Metode Pengelolaan Data/ Analisis Data ..........................................



19



2



Bab IV Hasil Penelitian & Pembahasan ............................................................... 4.1 4.2



Hasil Algoritma Classification C4.5 dan Analisis .............................



20



4.1.1 Menggunakan decision tree (C4.5)...........................................



20



Hasil Algoritma Clustering K-Means Dan Analisis ………………...



22



Bab V Kesimpulan……………………………………………………………... 5.1



20



26



Kesimpulan ………………………………………………………...



26



Daftar Pustaka ………………………………………………………………….



27



3



Daftar Gambar Gambar 1.1 Hierarchical Clustering ……………………………………….



11



Gambar 1.2 Partitional Clustering………………………………………



12



Gambar 1.3 Kerangka Berpikir .………………………………………..



16



Gambar 1.4 Hasil Running tree C4.5 ……………………………………...



20



Gambar 1.5 Visualize tree …………………………………………………



21



Gambar 1.6 Hasil Clustering K-Means ……………………………………



22



Gambar 1.7 Visualize Cluster Assignments………………………………..



22



4



Daftar Table Table 1.1 Hasil dari akurasi WEKA ……………………………………..



21



Table 1.2 Hasil dari akurasi WEKA ……………………………………..



23



5



Kata pengantar Puji dan syukur kehadirat Allah SWT atas petunjuk, pengetahuan dan karunia- Nya sehingga penulis dapat menyelesaikan penyusunan skripsi ini. Shalawat dan salam juga kepada baginda Rasulullah SAW. Beserta keluarga dan sahabat-sahabatnya sebagai uswatun khasanah yang menjadi rahmatanlilalamin bagi semesta alam. Karna beliau kita dapat hidup dimasa yang terang-benerang seperti saat ini Skripsi dengan judul “Identifikasi factor-faktor yang mempengaruhi milenial dalam memilih smartphone bermerk iPhone” penulis hadirkan sebagai salah satu prasyarat untuk menyelesaikan tugas yang diberikan oleh dosen mata kuliah data mining studi S1 Universitas Pakuan Bogor. Tak terasa menjalani kuliah selama beberapa tahun, selama itu pula banyak rintangan dan kesulitan yang penulis hadapi, namun berkat kerja keras dan dukungan dari berbagai pihak, dari keluarga, dosen dan teman-teman yang ikhlas memberikan bantuan, bimbingan dan arahan sehingga penulis dapat menjalani kuliah, hingga penulisan skripsi ini dapat kami selesaikan Pada kesempatan ini saya akan menyampaikan ribuan terimakasih yang setinggitingginya kepada: 1. Allah SWT atas kemudahan dalam pembuatan tulisan ini. 2. Fredi Andria, STp., M.M. 3. Kepada keluarga yang terlah memberikan dukungan baik moril, maupun materil. 4. Kepada Narasumber yang kami berikan quisoner



6



Bab 1 Pendahuluan 1.1 Latar Belakang Penelitian Indonesia mengalami fenomena banyaknya pengguna smartphone yang bermerek iphone atau apple. Di lain sisi, remaja, yang sebagian besar merupakan kelompok generasi Y, telah mengganrikan smartphone yang digunakan sebelumnya dengan produk iphone. Dikarnakan pada zaman-zaman pada saat ini banyak milenial dalam menggunakan iPhone dengan berbanyak macam alasan yang diberikannya , sedangkan banyak orang berkata bahwa merek android lebih bagus di bandingkan dengan merek iPhone,di dalam segi spesifikasi ada beberapa yang bilang baut apa kita membeli smartphone dengan harga yang mahal tapi dengan spesifikasi yang kurang dengan harga semahal itu, tetapi ada saja yang berkata bahwa memang wajar harga iPhone semahal itu, dikarnakan memang dari segi design fitur yang diberikan bahkan ada yang mengatakan bahwa mempunyai iPhone itu gengsi atau bisa disebut orang kaya atau handphone yang terbaik di bandingkan yang lainnya Berkembangnya industri penjualan smartphone iphone di Indonesia, ditambah dengan bantuan teknologi Internet di antara generasi millennial ini , iPhone yang dilakukan dengan menyelipkan produk dan/atau merek pada kenyamanan pengunaan. Dengan demikian, pengguna dapat melihat produk dan/atau merek dalam kenyamanan yang mereka rasakan, yang ditunjukkan baik secara verbal maupun secara non-verbal. Menyebabkan peneliti tertarik untuk meneliti sikap yang ditunjukkan para pengguna iphone terhadap memilih produk tersebut dan mengapa memilih iPhone, Penelitian dilakukan terhadap pengguna produk iPhone baik yang baru menggunakan atau sudah lama menggunakan iPhone bahkan yang sudah membeli banyak jenis produk iPhone Data kuantitatif diperoleh dari kuesioner yang disebar melalui media online. Dengan data tersebut peneliti menguji beberapa hubungan yang terjadi di antara objek penelitian berupa apa kenyaman yang dirasakan pengguna produk iPhone, apakah fungsinya lebih bagus dari produk dan/atau merek lainnya, apakah benar kamera yang disuguhkan iPhone lebih bagus dibandingkan produklainnya, apakah hanya gengsi sebagai sebab pembelian produk dan/atau merek iPhone, bagaimana system oprasi iPhone di banding dengan produk dan/atau merek lainnya. 1.2 Identifikasi dan Perumusan Masalah Identifikasi Permasalahan 1. Factor-faktro apa saja yang menjadi alasan milenial dalam memilih smarth phonen 2. Bagaiman karakteristik dari milineal tersebut pada saat memilih iPhone 3. Apa penyebabnya milenial memilih iPhone di banding merek smartphone lainnya



7



Rumusan Permasalahan 1. Bagaimana factor-faktor berpengaruh secara simultan terhadap milineal yang memilih smarth phone bermerek iPhone ? 2. Bagaimana factor-faktor berpengaruh secara simultan terhadap milineal yang memilih smarth phone bermerek iPhone berpengaruh secara parsial terhadap milenial yang memilih smarthphone bermerek iPhone ? 3. Faktor manakah yang paling dominan mempengaruhi keputusan memilih smarthphone menurut milenial 1.3 Maksud dan Tujuan Penelitian 1.3.1 Maksud penelitian Maksud penelitian adalah untuk menganalisis kesenjangan (gap) yang terjadi antara fakta/ pelaksanaan/ kondisi dengan teori/ seharusnya/ peraturan/ standar mengenai suatu variabel penelitian faktor-faktor yang mempengaruhi milenial dalam memilih smartphone bermerk iPhone, menginformasikan hasil akhir dari penelitian, serta memberikan saran yang dapat menghilangkan penyebab timbulnya permasalahan. 1.3.2 Tujuan penelitian 1. Untuk mengetahui faktor yang mempengaruhi milenial dalam memilih iPhone 2. Untuk mengetahui perbedaan faktor-faktor pemilihan iPhone berdasarkan perbedaan jenis kelamin, tingkat pendidikan dan penghasilan. 3. Untuk mengetahui alasan milenial dalam memili iPhone



1.4 Kegunaan penelitian Kegunaan praktis Manfaat praktis bagi peneliti, yaitu untuk menambah pengetahuan dan pengalaman bagi peneliti dalam menerapan pengetahuan terhadap masalah yang dihadapi secara nyata. Dan dapat mengetahui apa yang peneliti cara dalam penelitian ini Kegunaan akademis Manfaat akademis yang dituju yaitu dapat dijadikan rujukan bagi milenial dalam memilih smartphone yang digunakan sehari-hari dan berguna juga untuk menjadi referensi bagi mahasiswa yang melakukan kajian terhadap factor-faktor yang mempengaruhi milenial dalam memilih smartphone bermerek iPhone



8



BAB II REFERENSI 2.1 DATA MINING Data mining adalah proses yang mempekerjakan satu atau lebih teknik pembelajaran komputer (machine learning) untik menganalisis dan mengekstrasi pengetahuan (knowledge) secara otomatis. Definisi lain diantaranya adalah pembelajaran berbasis induksi (induction-based learning) adalah proses pembentukan definisi-definisi konsep umum yang dilakukan dengan cara mengobservasi contoh-contoh spesifik dari konsep-konsep umum yang akan dipelajari. Data mining merupakan proses iteratif dan interaktif untuk menemukan pola atau model baru yang sahih (sempurna), bermanfaat dan dapat dimengerti dalam suatu database yang sangat besar (massive databases). Data mining berisi pencarian trend atau pola yang diinginkan dalam database besar untuk membantu pengambilan keputusan di waktu yang akan datang. Pola-pola ini dikenali oleh perangkat tertentu yang dapat memberikan suatu analisa data yang berguna dan berwawasan yang kemudian dapat dipelajari dengan lebih teliti, yang mungkin saja menggunakan perangkat pendukung keputusan lainnya. (Witten et al., 2011) mengatakan, data mining adalah Melakukan ekstraksi untuk mendapatkan informasi penting yang sifatnya implisit dan sebelumnya tidak diketahui, dari suatu data. (Santosa, 2007) mengatakan juga bahwa data mining adalah, Kegiatan yang meliputi pengumpulan, pemakaian data historis untuk menemukan keteraturan, pola dan hubungan dalam set data berukuran besar. Dalam penyusunan skripsi ini kami mengambil cara penelitiannya menggunakan data mining yang sudah pernah diajarjan kepada kami, melalui aplikasi-aplikasi yang bisa mengelelola Big data, kami menggunakan aplikasi data mining supaya memudahkan kami dalam mendapatkan hasil analisis dari quisioner yang kami sebar kepada narasumber.



2.2 METODE CLASSIFICATION Metode Classification adalah sebuah metode dari data mining yang digunakan untuk memprediksi kategori atau kelas dari suatu data instance berdasarkan sekumpulan atributatribut dari data tersebut. Atribut yang digunakan mungkin bersifat categorical(misalnya golongan darah :“A”, “B”, “O”, dst), ordinal(misalnya urutan : small, medium,danlarge), integer-valued(misalnya banyaknya suatu kata pada suatu paragraf), atau realvalued(misalnya suhu). Kebanyakan algoritma yang menggunakan metode klasifikasi ini hanya menggunakan data yang bersifat diskret dan untuk data yang bersifat kontinu (real-valueddan integer-valued) maka data tersebut harus dijadikan diskret dengan cara memberikan threshold(misal lebih kecil dari 5 atau lebih besar dari 10) supaya data dapat terbagi menjadi grup-grup.Sebagai contoh dari metode klasifikasi adalah menentukan emailyang masuk termasuk kategori spamatau bukan spamatau menentukan diagnosis dari pasien berdasarkan umur, jenis kelamin, tekanan darah, dan sebagainya(Tan, 2004). 9



Algoritma yang mengimplementasikan metode ini disebut dengan classifier. Istilah “classifier”ini juga terkadang direferensikan sebagai fungsi matematika yang digunakan untuk memetakan input data dengan kategori-kategori tertentu.Cara kerja darimetodeClassification adalah sebuah proses 2 langkah. Langkah pertamaadalahLearning. Pada langkah ini,classifierdibangun berdasarkan sekumpulan kelas atau kategori yang sudah ditentukan dari data. Langkah ini disebut learning stepatau training step, dimana sebuah algoritma classificationmembangun classifierdengan menganalisisatau “belajar dari” sebuah training set.Sebuah tuple x , yang direpresentasikan dengan n-dimensi attribute vector, x = (X1,X2,… Xn) yang menggambarkan nbuah pengukuran yang dibuat pada tuplepada nattribute A1,A2,…An . Setiap tuple diasumsikan termasuk dalam kelas atau kategori yang sudah ditentukan oleh attribute yang disebut dengan class label attribute.Class label attributemempunyai nilai diskret,tidak berurutan dan tiap nilai berfungsi sebagai kelas atau kategori(Han, 2006). Dalam Classification ini di bagi menjadi dua metode yaitu : CART Algorithm CART merupakan singkatan dari ClassificationAndRegressionTrees. CART adalah metode klasifikasiyang menggunakan data historisuntuk membentuk decisiontreeyang dapat digunakan untuk mengklasifikasi data baru. Metodologi CART dikembangkan oleh Breiman, Freidman, Olshen, Stone pada sekitar tahun 1984 dalam papermereka yang berjudul “Classification and Regression Trees”. Untuk membangun decisiontree, CART menggunakan learningsample, sekumpulan data historis yang sudah ditetapkan kelas-kelasnya untuk observasi(Timofeev, 2004). DecisionTreeadalah representasi dari sekumpulan pertanyaan yang akan membelahlearningsamplemenjadi bagian yang lebih kecil. Pertanyaan yang diajukan decisiontreebiasanya berupa yes/no question, seperti “Is age greater than 50?” atau “Is sex male?”. Oleh karena itu, DecisionTreeyang terbentuk bersifat binaryatau selalu bercabang dua. Algoritma CART akan mencarisemua kemungkinan variabeldan nilai untuk menemukan splityang paling baik dari pertanyaan yang yang akan membagi learningsamplemenjadi 2 bagian dengan homogenitas maksimal. Proses akan dilanjutkan sampai decisiontreemenghasilkan datafragment, yaitu suatu data yang tidak bisa dibelah lagi(Timofeev, 2004).Sesuai dengan nama algoritmanya, CART dapat membentuk 2 tipe decisiontree, yaitu ClassificationTreedan RegressionTree. Kedua treetersebut mempunyai kegunaan yang berbeda. Classification Tree Classification Tree Classification Tree digunakan untuk mengklasifikasi data historis berdasarkan atribut kelas.Input dari Classification Tree adalah sekumpulan tuple data yang disebut dengan data set atau learnings ample(Tan, 2004). Setiap tuple mempunyai sekumpulan atribut (X1,X2,…Xn,Y) , dimana X1,X2,… Xn atribut-atribut yang akan diklasifikasi dan adalah atribut kelas dari tuple. Classification Tree dibangun berdasarkan splitting rule, yaitu suatu ruleatauaturan yang menentukan dan melakukan proses pembelahan dari dataset 10



(Tan, 2004). Classification Tree mempunyai beberapa splitting ruleuntuk membelah data. Salah satunya adalahGiniIndex



2.3 METODE CLUSTERING Clustering atau klasterisasi adalah metode pengelompokan data. Menurut Tan, 2006 clustering adalah



sebuah



proses



untuk



mengelompokan



data



ke



dalam



beberapa cluster  atau kelompok sehingga data dalam satu cluster memiliki tingkat kemiripan yang maksimum dan data antar cluster memiliki kemiripan yang minimum. Clustering merupakan proses partisi satu set objek data ke dalam himpunan bagian yang disebut dengan cluster. Objek yang di dalam cluster memiliki kemiripan karakteristik antar satu sama lainnya dan berbeda dengan  cluster yang lain. Partisi tidak dilakukan secara manual melainkan dengan suatu algoritma clustering. Oleh karena itu, clustering sangat berguna dan bisa menemukan group atau kelompokyang tidak dikenal dalam data. Clustering banyak digunakan dalam berbagai aplikasi seperti misalnya pada business inteligence, pengenalan pola citra, web search,  bidang



ilmu



biologi,



inteligence, clustering bisa



dan



mengatur



untuk



keamanan



banyak customer ke



(security). dalam



Di



dalam business



banyaknya



kelompok.



Contohnya mengelompokan customer ke dalam beberapa cluster dengan kesamaan karakteristik yang kuat. Clustering juga dikenal sebagai data segmentasi karena clustering mempartisi banyak data set ke dalam banyak group berdasarkan kesamaannya. Selain itu clustering juga bisa sebagai outlier detection. Metode clustering secara



umum



dapat



dibagi



menjadi



dua



yaitu hierarchical



clusteringdan partitional clustering(Tan, 2011). Sebagai tambahan, terdapat pula metode Density-Based dan Grid–Based yang juga sering diterapkan dalam implementasi clustering. Berikut penjelasannya: Hierarchical clustering Pada hierarchical clusteringdata dikelompokkan melalui suatu bagan yang berupa hirarki, dimana terdapat penggabungan dua grup yang terdekat disetiap iterasinya ataupun pembagian dari seluruh set data kedalam cluster.



11



Gambar 1.1 Hierarchical Clustering (Sumber:Han dkk, 2012) Langkah melakukan Hierarchical clustering: 1. Identifikasi item dengan jarak terdekat 2. Gabungkan item itu kedalam satu cluster 3. Hitung jarak antar  cluster 4. Ulangi dari awal sampai semua terhubung Contoh metode hierarchy clustering: Single Linkage, Complete Linkage, Average Linkage, Average Group Linkage.  Partitional Clustering Partitional clusteringyaitu data dikelompokkan ke dalam sejumlah cluster tanpa adanya struktur hirarki antara satu dengan yang lainnya. Pada metode partitional clusteringsetiap  cluster memiliki titik pusat cluster (centroid) dan secara umum metode ini memiliki fungsi tujuan yaitu meminimumkan jarak (dissimilarity) dari seluruh data ke pusat cluster masing-masing. Contoh metode partitional clustering:  K-Means, Fuzzy Kmeans dan Mixture Modelling.



12



Gambar 1.2 Proses Clustering Obyek Menggunakan metode k-Means (Sumber:Han dkk, 2012) Metode K-means merupakan metode clustering yang paling sederhana dan umum. Hal ini dikarenakan K-means mempunyai kemampuan mengelompokkan data dalam jumlah yang cukup besar dengan waktu komputasi yang cepat dan efisien. K-Means merupakan salah satu algoritma klastering dengan metode partisi (partitioning method) yang berbasis titik pusat (centroid) selain algoritma k-Medoids yang berbasis obyek. Algoritma ini pertama kali diusulkan oleh MacQueen (1967) dan dikembangkan oleh  Hartigan dan Wong tahun  1975 dengan tujuan untuk dapat membagi M data point dalam N dimensi kedalam sejumlah k cluster dimana proses klastering dilakukan dengan meminimalkan



jarak



sum squares antara



data



dengan



masing



masing



pusat cluster (centroid-based). Algoritma k-Means dalam penerapannya memerlukan tiga parameter yang seluruhnya ditentukan pengguna yaitu jumlah  cluster k, inisialisasi klaster, dan jarak system, Biasanya, k-Means dijalankan secara independen dengan inisialisasi yang berbeda menghasilkan cluster akhir yang berbeda karena algoritma ini secara prinsip hanya mengelompokan data menuju local minimal. Salah satu cara untuk mengatasi local minima adalah dengan mengimplementasikan algoritma k-Means, untuk K yang diberikan, dengan beberapa nilai initial partisi yang berbeda dan selanjutnya dipilih partisi dengan kesalahan kuadrat terkecil (Jain, 2009). K-Means adalah



teknik



dalam proses clustering obyek



yang



cukup (clustering).



sederhana



dan



cepat



Algoritma K-



mean mendefinisikan centroid atau pusat cluster dari cluster menjadi rata-rata point dari cluster tersebut.Dalam penerapan algoritma k-Means, jika diberikan sekumpulan data X = {x1, x2, …,xn} dimana xi = (xi1, xi2, …, xin) adalah ystem dalam ruang real Rn, maka algoritma k-Means akan menyusun partisi X dalam sejumlah k cluster (a priori). Setiap  cluster memiliki titik tengah (centroid) yang merupakan nilai rata rata (mean)  dari 13



data-data dalam cluster  tersebut. Tahapan awal, algoritma k-Means adalah memilih secara acak k buah obyek sebagai centroid dalam data. Kemudian, jarak antara obyek dan centroid dihitung



menggunakan Euclidian



distance.



Algoritma k-Means



secara iterative meningkatkan variasi nilai dalam dalam tiap tiap cluster  dimana obyek selanjutnya ditempatkan dalam kelompok yang terdekat, dihitung dari titik tengah klaster. Titik tengah baru ditentukan bila semua data telah ditempatkan dalam cluster terdekat. Proses penentuan titik tengah dan penempatan data dalam cluster diulangi sampai nilai titik tengah dari semua cluster yang terbentuk tidak berubah lagi (Han dkk, 2012). 2.4 Konsep harga Dalam buku Manajemen dan Pemasaran Jasa (2005) karya Buchari Alma, dalam teori ekonomi terdapat value dan utility yang menjadi konsep dalam penetapan harga. Baca juga: Harga Cabai Meroket, Pedagang di Pasar Induk Kramat Jati Mengaku Omzet Turun 40 Persen Berikut penjelasannya:  Utility Suatu atribut yang melekat pada suatu barang, yang memungkinkan barang tersebut memenuhi kebutuhan, keinginan, dan memuaskan konsumen. 



Nilai (value) Nilai suatu produk untuk ditukar dengan produk lain. Nilai ini dilihat dalam situasi barter yaitu pertukaran barang dengan barang. Saat ini kegiatan perekonomian sudah tidak melakukan barter, melainkan menggunakan uang sebagai ukuran yang disebut harga (price). Harga merupakan niali suatu yang dinyatakan dengan uang. Hal ini memberikanarti bahwa harga merupakan sejumlah uang yang digunakan untuk menilai serta mendapatkan produk atau jasa yang dibutuhkan konsumen.



2.5 Konsep kualitas Kualitas produk menggambarkan sejauh mana kemampuan produk tersebut dalam memenuhi kebutuhan konsumen. Definisi dari kualitas produk mencerminkan kemampuan produk untuk menjalankan tugasnya yang mencakup daya tahan, kehandalan atau kemajuan, kekuatan, kemudahan dalam pengemasan. “Kualitas produk menurut Kotler harus dimulai dari kebutuhan pelanggan dan berakhir pada persepsi pelanggan”. 4 Hal ini mengindikasikan bahwa citra kualitas produk yang baik bukan berasal dari pemilik usaha melainkan berasal dari persepsi pelanggan, yang diperoleh dari pengalaman mereka terhadap produk tersebut. Differensiasi yang menjadi keunggulan produk berpotensi untuk meningkatkan kepuasan 4 Philip Kotler, Manajeman Pemasaran, konsumen yang berakhir pada keputusan pembelian. Dalam setiap kegiatan usaha ada dua pilihan yaitu sukses dalam pengembangan produk sehingga 14



menciptakan keunggulan produk atau gagal dalam pencapaian tujuan bisnisnya karena produk tidak mampu bersaing dipasar. Oleh karena itu dapat dikatakan bahwa para pemilik usaha harus selalu menjaga kualitas produk agar keberlangsungan usaha. a. Indikator Kualitas 1. Mutu Mutu harus tetap nomor satu didalam penyelenggaraan usaha jasa baik produknya maupun pelayanannya. 2. Penampilan Jenis produk harus bervariatif serta penampilan produk harus menarik, agar konsumen lebih tertarik 3. Gaya Gaya atau style produk juga harus mengikuti perkembangan zaman, agar tidak tertinggal oleh perusahaan jasa lain, guna menjaga konsumen tidak berpindah ke perusahaan jasa lain. 4. Ukuran Ukuran produk harus sangat bervariatif, agar konsumen dapat memilih ukuran produk yang dibutuhkannya. 5. Jaminan Jaminan akan terasa sangat penting guna menjaga kepercayaan konsumen. Konsumen dapat dengan bebas membeli produk kita tanpa ada rasa takut karena ada jaminan yang melindungi hak konsumen. 2.6 Konsep citra Kata citra tidak asing dalam kehidupan kita sehari-hari. Orang menyebut gambaran atau image mengenai seseorang maupun sesuatu untuk mempermudah artian dari citra. Namun bagi kita para kaum yang berkecimpung dalam dunia ilmu komunikasi tidak hanya sebatas itu mengartikan sebuah kata citra. Banyak sekali arti kata citra yang di pergunakan dalam dunia ilmu komunikasi, misalnya dalam bidang broadcasting, public relation maupun yang lain. Tetapi kali ini kita akan membahas artian kata citra dalam ruang lingkup perusahaan. Sebuah perusahaan akan membutuhkan waktu yang cukup lama untuk membentuk suatu citra positif di mata khalayak. Membentuk citra positif tidak semudah membangun perusahaan itu sendiri, karena citra sebuah perusahaan melibatkan penilaian dan kepercayaan masyarakat sehingga tidak akan mudah untuk dibentuk kecuali dari perusahaan itu sendiri.



15



Seorang ahli komunikasi yang bernama Shirley Harrison mengungkapkan bahwa terdapat empat elemen yang tergolong dalam informasi lengkap mengenai citra perusahaan, yaitu : 















Personality        : keseluruhan karakteristik perusahaan yang dipahami public sasaran seperti perusayang dapat dipercaya, perusahaan yang mempunyai tanggung jawab sosial Reputation          : hal yang telah dilakukan perusahaan dan diyakini public sasaran berdasarkan pengalaman sendiri maupun pihak lain seperti kinerja keamanan transaksi sebuah bank Value   : nilai-nilai yang dimiliki suatu perusahaan dengan kata lain budaya perusahaan seperti sikap manajemen yang peduli terhadap pelanggan, karyawan yang cepat tanggap terhadap permintaan maupun keluhan pelanggan Corporate Identity : komponen-komponen yang mempermudah pengenalan public sasaran terhadap perusahaan seperti logo, warna dan slogan



2.7 konsep fitur-fitur Fitur adalah karakteristik khusus yang terdapat pada suatu alat. Biasanya kata 'fitur' ditemukan pada peralatan elektronik, seperti televisi, radio, ponsel, dan lain-lain. Pengertian 'fitur' menurut istilah teknis komputer adalah fungsi, kemampuan, atau desain khusus dari perangkat keras atau perangkat lunak. Kata 'fitur' termasuk dalam kata benda atau nomina, dengan padanan katanya adalah karakteristik atau sifat.



16



2.8 Kerangka Berfikir Gambar 1.3. kerangka berpikir



Fiturfitur



H5



Citra nama



H4



Milenial memilih iPhone



H3



Kualitas H2



Harga H1



2.9 Hipotesis Penelitian Hipotesis penelitian adalah: H1 : Haraga, Kualitas, Citra nama, Fitur-fitur diduga secara simultan berpengaruh terhadap milenianal dalam memilih iPhone H2 : Haraga diduga berpengaruh terhadap milenial dalam memilih iPhone H3 : Kualitas diduga berpengaruh terhadap milenial dalam memilih iPhone H4 : Citra nama diduga berpengaruh terhadap milenial dalam memili iPhone H5 : Fitu-fitur diduga berpengaruh terhadap milenial dalam memilih iPhone



17



BAB III METODE PENELITAN



3.1 Jenis Penelitian Jenis penelitian yang kami gunakan dalam merancang skripsi ini adalah ekploratif dan deskriptif dengan metode yang digunakan adalah studi kasus yang bertujuan untuk mengetahui : 1. Untuk mengetahui pengaruh faktor harga, kualitas, citra nama, dan fitur-fitur yang berpengaruh secara simultan terhadap milenial dalam memilih smartphone yang bermerek iPhone 2. Untuk mengetahui pengaruh faktor harga, kualitas, citra nama, dan fitur-fitur yang berpengaruh secara parsial terhadap milenial dalam memilih smartphone yang bermerek iPhone 3. Untuk mengetahui faktor yang paling dominan mempengaruhi milenial dalam memilih smartphone yang bermerek iPhone 3.2 Metode Penarikan Sample Metode penarikan sampel untuk penelitian yang dilakukan dengan cara penarikan sampel tidak berpeluang (non probability sampling) dengan metode convenience/accidental sampling karena sampel atau responden tidak diketahui secara pasti, maka penentuan sampel atau responden dilakukan kepada orang-orang yang secara kebetulan dijumpai atau orang-orang yang akan mengisi quisioner. Untuk itu kuesioner diberikan kepada responden yang akan mengisi quisioner yang kami sebar Dan juga dalam quisioner yang disebar melalui media social atau Google Form dengan cara penarikan sampel tidak berpeluang (non probability sampling) dengan metode convenience/accidental sampling karena sampel atau responden tidak diketahui secara pasti, maka penentuan sampel atau responden dilakukan kepada orang-orang yang melihat link/undangan yang kami share melalui media lainnya. Untuk Quisinoner memlalui Google form diberikan kepada responden yang akan mengisi setiap pertanyaan yang kami rancang/buat, jumlah responden yang saya harapkan dalam penelitian ini adalah 100 responden. 3.3 Metode pengumpulan data Metode pengumpulan data dilakukan dengan beberapa cara, yaitu : 1. Quisioner, yaitu dengan menyebarkan pertanyaan yang sudah dirancang/dibuat oleh kami sebelum dilakukannya penyebaran quisioner, Kami melakukan penyebaran quisioner melalui media google form, dengan tujuan mendapatkan data yang valid/benar mengenai data dan informasi dari responden yang mengisi quisioner yang saya sebar melalui google form, dan juga bertujuan untuk 18



menambahkan, mempermudah saya dalam mengetahui informasi dan data dari responden Pengumpulan data sekunder yang dilakukan secara manual dengan memfotocopy buku atau literature atau laporan dari perusahaan yang berkaitan dengan belanja online ,dan mengumpulkan data dengan mengunduh (mendownload) media on line internet berupa data dari media massa cetak atau website resmi perusahaan, atau data dari sumber-sumber yang pernah/selalu berbelanja online 3.4 Metode Pengelolaan/ Analisis Data Untuk menganalisis data yang diperoleh dari kuesioner yang disebarkan kepada responden, digunakan beberapa metode sebagai berikut: 1.



Analisis hubungan lebih dari dua variabel yang bertujuan untuk menguji ada



tidaknya asosiasi atau interdepensi atau ketergantungan di antara dua variabel yang diteliti mengenai Identifikasi factor-faktor yang mempengaruhi milenial dalam memilih smartphone bermerk iPhone. 2.



Analisis Regresi Linear Berganda Penelitian ini menggunakan analisis regresi berganda. Analisis regresi berganda



digunakan untuk mengetahui apakah antara variabel bebas dengan variabel terikat mempunyai pengaruh yang berarti atau tidak secara serempak (Subagyo et al., 2005). Untuk mempermudah maka dalam penelitian ini saya akan dibantu/menggunakan program WEKA 3.7.4 for windows.



19



BAB IV HASIL PENELITIAN & PEMABAHASAN 4.1. Hasil Algoritma Classifocation C4.5 dan analisis Pengujian sistem dilakukan menggunakan tools Weka dengan menerapkan metode Crossvalidation. Cross-validation adalah sebuah teknik untuk menilai atau melakukan validasi keakuratan sebuah model yang dibangun berdasarkan dataset. Pada penelitian ini menggunakan K-Fold validation, yakni membagi dataset menjadi sejumlah K partisi secara acak untuk diuji. Penilaian kinerja proses analisa banknote authentication bersumber dari hasil pengukuran nilai precision, recall, F-Measure dan akurasi. Precision merupakan nilai ketepatan informasi yang diminta oleh pengguna dengan jawaban yang diberikan oleh sistem. Recall adalah tingkat keberhasilan sistem dalam menemukan kembali sebuah informasi. F-Measure adalah nilai harmonic atau nilai rata-rata (mean) dari nilai precision dan recall. Sedangkan nilai akurasi adalah nilai tingkat kedekatan antara nilai prediksi dari sistem dengan nilai sebenarnya dari sudut pandang manusia (actual). Pada data banknotes authentication tidak terdapat missing value pada dataset tersebut sehingga tahap preprocessing selesai dengan menghilangkan anomali data pada file .csv . File .csv diubah menjadi .arff sebelum dilakukan classification menggunakan Weka.



4.1.1. Menggunakan decision tree (C4.5). Dengan metode tersebut, hasil classification data didapatkan sebagai berikut :



Gambar 1.4 : Hasil Running tree C4.5 20



Gambar 1.5 : Visualize tree Table 1.1 : Hasil dari akurasi WEKA



Weighted Avg. 



 



Tp Rate 0.722 1



FP Rate 0.462 0.071



Precision 0.684 0.6



Recall 0.722 1



F-Measure 0.703 0.75



ROC Area 0.668 0.935



0



0.25



0



0



0



0.484



0



0.034



0



0



0



0.969



0



0



0



0



0



0.333



0,516



0.334



0.455



0.516



0.481



0.661



Class Setuju Sangat setuju Kurang setuju Tidak setuju Sangat tidak setuju



Dari hasil penelitian, menunjukkan hasil akurasi sistem adalah sebesar 51.6% dan nilai error sebesar 48.4% kemudian reltive absolute error dari decision tree sebesar 73.2743% dengan total 15 instances yang salah masuk klasifikasi. Sedangkan yang sesuai sebanyak 16 instance. Ditinjau dari segi efisiensi waktu yang dibutuhkan untuk perhitungan, metode ini membutuhkan 3 kali iterasi dengan waktu 0.03 detik. Dari 18 data dengan status mahasiswa, terdapat 13 data dengan menjawab setuju, terdapat 1 mahasiswa yang menjawab sangat setuju, dan 4 data mahasiswa yang menjawab tidak setuju 21



 







Dari 3 data dengan status pelajar SMP/SMA, terdapat 3 data yang menjawab sangat setuju Dari 7 data yang berstatus karyawan , terdapat 5 data yang menjawab setuju, terdapat 1 data yang menjawab sangat setuju, terdapat 1 data yang menjawab tidak setuju Dari 2 data yang berstatus wirausaha/wiraswasta , terdapat 2 data yang menjawab kurang setuju



4.2. Hasil Algoritma Clustering K-means dan Analisis



Gambar 1.6 : Hasil Clustering K-Means



22



Gambar 1.7 : Visualize Cluster Assignments Dari gambar visualize Cluster Assignments ini menghasilkan bahwa wanita memilik jawaban yang sangat dominan dibandingkan jawaban pria dan dapat dilihat dari gambar bahwa terdapat 28 orang yang berada di cluster 1 dan terdapat 6 orang pada cluster 0.



Jenis kelamin Usia Status Smartphone Yang digunakan sekarang 1 Harga smartphone apple jenis ios sesuai dengan kualitas yang diberikan 2 Harga smathphone apple sesuai dengan manfaat yang diberikan 3 Smartphone apple jenis ios bervariasi sesuai harga dan tipe nya 4 Smarthphone Iphone memberikan potongan harga atau discount kepada konsumen 5 Smartphone Iphone jenis Ios bervariasi sesuai harga dan tipe smartphone nya 6 Pembelian iPhone berdasarkan persepsi harga dari produk iPhone 7 Kualitas smartphone Iphone jenis



Pria