Segmentasi Pelanggan Menggunakan Algoritma K-Means Berdasarkan Model Recency Frequency Monetary

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.

Perbandingan Metode K-Medoids dan Metode K-Means Dalam Analisis Segmentasi Pelanggan Mall

“…Hasil segmentasi pelanggan dapat digunakan untuk mengukur nilai pelanggan, sehingga memungkinkan pihak perusahaan untuk mengidentifikasi pelanggan yang menawarkan manfaat signifikan dan pelanggan yang tidak [5]. Segmentasi pelanggan memungkinkan perusahaan memperoleh keuntungan dengan memasarkan produknya secara lebih spesifik berdasarkan preferensi dan kebutuhan pelanggan individu [6].…”

Analisis Segmentasi Pelanggan Berbasis Model Recency Frequency Dan Monetary (Rfm) Menggunakan Algoritma K-Means

“…Monetary Monetary untuk mengukur nilai pelanggan dengan melihat jumlah uang yang dikeluarkan dalam satu periode. Semakin banyak jumlah uang yang dikeluarkan maka nilai monetary semakin tinggi [11].…”

Analisis Sentimen Menggunakan Support Vector Machine Masyarakat Indonesia Di Twitter Terkait Bjorka

“…Tokenizing yaitu suatu tahapan memotong teks menjadi kalimat baik kata bersih, baik karakter dan simbol membentuk pemotongan kata yang bisa dianalisa [8]. Transform data merupakan langkah terakhir preprocessing pada penelitian ini yang bertujuan guna merubah struktur fitur data yang digunakan agar menyesuaikan dengan kebutuhan model algoritma dan bersih dari noisy data maupun missing values [9], [10].…”