Pemanfaatan Data Transaksi untuk Dasar membangun Strategi berdasarkan Karakteristik Pelanggan dengan Algoritma K-Means Clustering dan Model RFM

Abstract

Setiap waktu terdapat proses transaksi yang dilakukan oleh pelanggan, proses tersebut menambah koleksi data pada sebuah database. Pada penelitian ini dengan melakukan pemanfaatan data transaksi untuk mengetahui segmentasi pelanggan dan membangun strategi berdasarkan karakteristik pelanggan dengan pendekatan model RFM dan K-Means. K-Means Clustering adalah sebuah algoritma yang dapat menghasilkan suatu model cluster visual dengan aplikasi Rapidminer versi 9.9, dengan menggunakan atribut RFM berfungsi untuk mewakili jumlah pelanggan dari setiap cluster. Dari data transaksi 3 tahun terakhir 2017, 2018, dan 2019 dengan jumlah 4.332 transaksi yang kemudian diolah berdasarkan model RFM menghasilkan 1898 pelanggan. Selanjutnya dilakukan analisis cluster dengan menggunakan algoritma K-Means dengan hasil cluster 1 memliki 319 pelanggan, cluster 2 memiliki 314 pelanggan, cluster 3 memiliki 316 pelanggan, cluster 4 memiliki 317 pelanggan, cluster 5 memiliki 315 pelanggan, dan cluster 6 memiliki 317 pelanggan. Dari hasil penelitian ini dapat dimanfaatkan oleh perusahaan untuk mengetahui karakteristik pelanggan dan sebagai bahan pertimbangan membuat suatu strategi baru.

Penerapan K-Means Dan K-Medoids Berbasis RFM Pada Segmentasi Pelanggan Di Masa Pandemi Covid-19

“…Data setelah pandemi menunjukan nilai optimal k berada pada cluster 5 dengan DBI 0,278. Penentuan nilai k optimal berdasarkan nilai DBI yang paling kecil diantara jumlah cluster (Carudin, 2021).…”

Penerapan K-Means dan Rank Order Centroid pada Proporsi Individu dengan Keterampilan Teknologi Informasi dan Komputer

“…Tidak seperti sebelumnya (centroid awal), untuk menentukan centroid berikutnya dilakukan dengan menghitung rata-rata dari nilai data di masingmasing cluster yang telah dikelompokkan. Proses K-Means tersebut dilakukan kembali hingga data yang dikelompokkan tidak berubah dari iterasi yang berarti perhitungan dinyatakan selesai [14]. Setelah proses iterasi diulang terus-menerus didapatkan nilai centroid akhir yang ada di tabel 5.…”

Kombinasi Linier Target Data Untuk Regresi Multitarget Menggunakan Principal Component Analysis

“…Terlebih, metode regresi hanya mampu menghasilkan satu nilai prediksi sehingga untuk kasus variabel dependen multidimensi diperlukan beberapa model regresi. Padahal banyak sekali kasus dalam dunia industri yang memerlukan metode prediksi untuk variabel dependen dengan multidimensi [3], [4], terutama dimasa industri 4.0 yang menyebabkan data dengan dimensi yang banyak adalah hal yang sangat wajar [5]- [7]. Selain itu pada bidang kesehatan, model regresi juga terus menjadi kebutuhan utama dalam kasus prediksi suatu penyakit [8].…”