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

Article Sidebar

PDF
Published: Sep 3, 2021
DOI: https://doi.org/10.35329/jiik.v7i2.201
Keywords:
Clustering, K-Means, metode elbow, Recency Frequency Monetary, valueable customer

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

Issue
Vol 7 No 2 (2021): Edisi September
Section
Articles
Creative Commons License

This work is licensed under a Creative Commons Attribution 4.0 International License.

Authors who publish with this journal agree to the following terms:

  • Authors retain copyright and grant the journal right of first publication with the work simultaneously licensed under a Creative Commons Attribution License that allows others to share the work with an acknowledgement of the work’s authorship and initial publication in this journal.
  • Authors are able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal’s published version of the work (e.g., post it to an institutional repository or publish it in a book), with an acknowledgement of its initial publication in this journal.
  • Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published work (See The Effect of Open Access).

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.