SEGMENTASI PELANGGAN MENGGUNAKAN ALGORITMA K-MEANS BERDASARKAN MODEL RECENCY FREQUENCY MONETARY

Main Article Content

Apip Pramudiansyah Pramudiansyah

Abstract

Pelanggan merupakan sumber keuntungan bagi perusahaan seperti halnya pada bisnis di bidang ritel Pelanggan merupakan aset bagi perusahaan. Saat ini, perusahaan berlomba-lomba dalam memenangkan hati para pelanggan. Karena masing-masing pelanggan tidak hanya memiliki kebutuhan, preferensi harapan dan perilaku yang berbeda-beda namun juga profil pendapatan dan biaya yang berbeda maka sebuah perusahaan perlu memetakan tingkat loyalitas pelanggannya. Namun tidak adanya pengolahan data pelanggan yang telah dimiliki menjadikan perusahaan tidak mengetahui valuable dari pelanggan yang ada. Penetapan rencana strategi pemasaran seharusnya dapat dilakukan salah satunya dengan memanfaatkan valuable customer yang dimiliki. Pemanfaatan valuable customer dilakukan dengan menggunakan data mining, penerapan model Recency Frequency Monetary pada tahapan data preparation dapat membantu untuk melihat valuable dari masing-masing pelanggan. hasil pengujian menggunakan Elbow Method didapatkan titik siku terbaik yaitu sebanyak 4 klaster dan setelah dilakukan perhitungan menggunakan algoritma k-means maka dihasilkan sebanyak 38,4% atau berjumalah 557 pelanggan masuk kedalam kelompok kategori Platinum, 12,6% atau berjumlah 184 pelanggan kategori Gold, 22,7% atau berjumlah 330 pelanggan kategori Silver, dan 26.% atau berjumlah 378 pelanggan kategori Bronze.

Downloads

Download data is not yet available.

Article Details

Section
Articles

References

Terdapat beberapa penelitian yang sudah dilakukan diantara nya adalah (Ruly, Purbandini dan Wuryanto, 2017) tentang penerapan clustering k-means pada customer segmentation berbasis recency frequency monetary (RFM) Penelitian ini bertujuan untuk penerapan algoritma k-Means untuk membentuk segmentasi pelanggan, sehingga dapat mengetahui tingkat potensial pelanggan. Analisis data dilakukan dengan dua cara yaitu pembobotan RFM untuk menghasilkan bobot RFM dimana recency merupakan transaksi terakhir, frequency merupakan jumlah transaksi yang dilakukan dan monetary yang merupakan total biaya transaksi yang telah dilakukan. Setelah itu barulah dikelompokkan dengan metode k-Means. Dari hasil evaluasi sistem didapatkan bahwa pengelompokkan pelanggan pada kategori BZ memiliki nilai presentase 54,3%, kategori MVC sebesar 21,8% dan MGC sebesar 23,9%. Untuk kesimpulan penggunaan k-Means didapatkan bahwa setiap penentuan nilai centroid secara acak yang berbeda, akan menghasilkan pengelompokkan dan hasil iterasi yang berbeda.