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

Penulis

  • Carudin STMIK Bani Saleh

DOI:

https://doi.org/10.54914/jtt.v7i1.318

Kata Kunci:

clustering, recency, frequency, monetary, k-means, customer

Abstrak

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.

Unduhan

Data unduhan belum tersedia.

Referensi

M. Tavakoli, M. Molavi, V. Masoumi, M. Mobini, S. Etemad, and R. Rahmani, “Customer Segmentation and Strategy Development Based on User Behavior Analysis, RFM Model and Data Mining Techniques: A Case Study,†Proc. - 2018 IEEE 15th Int. Conf. E-bus. Eng. ICEBE 2018, pp. 119–126, 2018, doi: 10.1109/ICEBE.2018.00027.

D. S. AH Kracklauer, DQ Mills, “Customer Management as The Origin of Collaborative Customer Relationship Management,†2004.

B. E. Adiana, I. Soesanti, and A. E. Permanasari, “Analisis Segmentasi Pelanggan Menggunakan Kombinasi RFM Model dan Teknik Clustering,†J. Terap. Teknol. Inf., vol. 2, no. 1, pp. 23–32, 2018, doi: 10.21460/jutei.2018.21.76.

I. Maryani, D. Riana, R. D. Astuti, A. Ishaq, Sutrisno, and E. A. Pratama, “Customer Segmentation Based on RFM Model and Clustering Techniques with K-Means Algorithm,†Proc. 3rd Int. Conf. Informatics Comput. ICIC 2018, pp. 1–6, 2018, doi: 10.1109/IAC.2018.8780570.

A. A. Fajrin, A. Maulana, T. Informatika, U. P. Batam, and J. R. Soeprapto, “Penerapan Data Mining untuk Analisis Pola Pembelian Konsumen dengan Algoritma Fp-Growth pada Data Transaksi Penjualan Spare Part Motor,†J. Ilmu Komput. Vol. 05, No.01, vol. 05, no. 01, pp. 27–36, 2018.

C. D. Rumiarti, I. Budi, P. Studi, M. Teknologi, F. I. Komputer, and U. Indonesia, “Segmentasi Pelanggan pada Customer Relationship Management di Perusahaan Ritel: Studi Kasus Pt Gramedia Asri Media,†Jurnal Sistem Informasi, Vol. 13, No. 1, pp. 1-10, 2017. DOI : http://dx.doi.org/10.21609/jsi.v13i1.525

Sudriyanto, “Clustering Loyalitas Pelanggan dengan Metode RFM (Recenty, Frequency, Monetary) dan Fuzzy C-Means,†Pros. SNATIF Ke-4, pp. 815–822, 2017.

M. L. Sibuea and A. Safta, “Pemetaan Siswa Berprestasi menggunakan Metode K-Means Clustring,†Jurteksi, vol. 4, no. 1, pp. 85–92, 2017, doi: 10.33330/jurteksi.v4i1.28.

F. Hadi, M. Mustakim, D. O. Rahmadia, F. H. Nugraha, N. P. Bulan, and S. Monalisa, “Penerapan K-Means Clustering berdasarkan RFM Mofek sebagai Pemetaan dan Pendukung Strategi Pengelolaan Pelanggan (Studi Kasus: PT. Herbal Penawar Alwahidah Indonesia Pekanbaru),†J. Sains dan Teknol. Ind., vol. 15, no. 1, pp. 69–76, 2017.

M. Reza and T. Akter, “Segmentation of Mobile Customers using Data Mining Techniques,†IJERT Vol.7 Issue 10, vol. 7, no. 10, pp. 251–255, 2018.

A. Sheshasaayee and L. Logeshwari, “Implementation of Clustering Technique Based RFM Analysis for Customer Behaviour in Online Transactions,†Proc. 2nd Int. Conf. Trends Electron. Informatics, ICOEI 2018, no. Icoei, pp. 1166–1170, 2018, doi: 10.1109/ICOEI.2018.8553873.

R. Gustriansyah, N. Suhandi, and F. Antony, “Clustering Optimization in RFM Analysis Based On K-Means,†Indones. J. Electr. Eng. Comput. Sci., Vol. 18, No. 1, pp. 470–477, 2019. doi: 10.11591/ijeecs.v18.i1.pp470-477.

T. A. A. Sandi, M. Raharjo, J. L. Putra, and R. Ridwan, “Clustering Kesetiaan Pelanggan dengan Model RFM (Recency, Frequency, Monetary) dan K-Means,†J. Pilar Nusa Mandiri, vol. 14, no. 2, p. 239, 2018. doi: 10.33480/pilar.v14i2.950.

Unduhan

Diterbitkan

2021-07-16

Cara Mengutip

[1]
Carudin, “Pemanfaatan Data Transaksi untuk Dasar membangun Strategi berdasarkan Karakteristik Pelanggan dengan Algoritma K-Means Clustering dan Model RFM”, j. teknologi terpadu, vol. 7, no. 1, hlm. 7–14, Jul 2021.

Terbitan

Bagian

Artikel