Email this article 
Hide
Show all
Aplikasi Analisis Segmentasi Pelanggan untuk Menentukan Strategi Pemasaran Menggunakan Kombinasi Metode K-Means dan Model RFM
Abstract
Abstrak
Selain harus bersaing dengan dealer lain, kenjeran Auto2000 juga harus bersaing dengan cabang Auto2000 lainnya. Salah satu strategi yang digunakan untuk memenangkan persaingan adalah melalui penerapan segmentasi pelanggan. Saat ini kenjeran Auto2000 belum memiliki mekanisme segmentasi pelanggan, permasalahan yang dihadapi adalah tidak dapat mengklasifikasikan pelanggan karena jumlah datanya yang besar dan belum ada alat yang mendukung segmentasi. Berdasarkan permasalahan tersebut, maka diusulkan solusi aplikasi segmentasi pelanggan yang dapat membantu kenjeran Auto2000 melakukan segmentasi. Untuk mengetahui karakteristik pelanggan digunakan model RFM. Sedangkan metode K-Means digunakan untuk melakukan segmentasi, namun metode ini memiliki kelemahan yaitu sulit untuk menentukan jumlah cluster yang terbaik. Untuk mengatasi masalah ini, metode Koefisien Silhouette digunakan. Metode ini digunakan untuk membantu metode K-Means dalam menentukan jumlah cluster terbaik yang akan digunakan. Berdasarkan hasil pengujian, aplikasi telah berjalan sesuai fungsinya yaitu mampu mengelompokkan pelanggan menjadi beberapa kelompok dan menemukan kelompok pelanggan potensial.
Kata Kunci: segmentasi pelanggan, k-means clustering, RFM, silhouette coefficient
Abstract
Besides having to compete with other dealers, Auto2000 kenjeran also had to compete with other Auto2000 branches. One of the strategies used to win the competition is through the implementation customer segmentation. Currently Auto2000 kenjeran does not have a customer segmentation mechanism, the problem faced is that it cannot classify customers because of the large amount of data and there are no tools that support segmentation. Based on these problems, a customer segmentation application solution is proposed that can help Auto2000 kenjeran perform segmentation. To determine the characteristics of the customer, the RFM model is used. While the K-Means method is used to perform segmentation, but this method has a weakness, that’s difficult to determine the best number of cluster. To resolve this problem, the Silhouette Coefficient method is used. This method is used to assist the K-Means method in determining the best number of cluster that will be used. Based on the test results, the application has been running according to its function, which is able to group customers into several groups and to find groups of potential customers.
Keywords: customer segmentation, k-means clustering, RFM, silhouette coefficientFull Text:
PDFReferences
K. Rainer, B. Prince, and C. Cegielski, Introduction To Information System Supporting and Transforming Business. 2014.
T. Hardiani, S. Sulistyo, and R. Hartanto, “Segmentasi Nasabah Tabungan Menggunakan Model Rfm ( Recency , Frequency , Monetary ) dan K-Means pada Lembaga Keuangan Mikro,” Semin. Nas. Teknol. Inf. Dan Komun. Terap., 2015.
Eko Prasetyo, Data Mining : Konsep dan Aplikasi Menggunakan Matlab. 2013.
J. O. Ong, “Implementasi Algotritma K-Means Clustering untuk Menentukan Strategi Marketing President University,” J. Ilm. Tek. Ind., 2013.
X. Wu et al., “Top 10 Algorithms in Data Mining,” Knowl. Inf. Syst., 2008, doi: 10.1007/S10115-007-0114-2.
W. A. Taqwim, N. Y. Setiawan, and F. A. Bachtiar, “Analisis Segmentasi Pelanggan Dengan Rfm Model Pada Pt. Arthamas Citra Mandiri Menggunakan Metode Fuzzy C-Means Clustering,” J. Pengemb. Teknol. Inf. dan Ilmu Komput., Vol. 3, No. 2, pp. 2548–964, 2019.
R. A. Hendrawan and A. Utamima, “Customer Segmentation Via Rfm Model and Rough Set Theory to Understand Customer's Characteristic (Case Study: PT. Abbott Indonesia,Tbk Cabang Malang),” Institut Teknologi Sepuluh Nopember (ITS), 2015.
A. Mario, S. Herry, and H. Nasution, “Pemilihan Distance Measure pada K-Means Clustering untuk Pengelompokkan Member Di Alvaro Fitness,” J. Sist. Dan Teknol. Inf., 2016.
V. Aggelis and Christodoulakis, “Customer Clustering Using RFM Analysis,” In Proceedings of The 9th International Conference On Computers (ICCOMP), 2005.
C. H. Cheng and Y. S. Chen, “Classifying The Segmentation of Customer Value Via RFM Model and RS Theory,” Expert Syst. Appl., 2009, doi: 10.1016/J.Eswa.2008.04.003.
S. A. Sutresno, A. Iriani, and E. Sediyono, “Metode K-Means Clustering dengan Atribut RFM untuk Mempertahankan Pelanggan,” J. Tek. Inform. Dan Sist. Inf., Vol. 4, P. 433, 2018, doi: 10.28932/Jutisi.V4i3.878.
Y. Agusta, “K-Means-Penerapan, Permasalahan dan Metode Terkait,” J. Sist. Dan Inform., Vol. 3, pp. 47–60, 2007.
N. Ningsih et al., “Pengembangan Simulator ESM Untuk Identifikasi Sinyal Radar dengan Metode Clustering Menggunakan K-Means,” Semin. Teknol. Dan Rekayasa, 2015.
Suyanto, “Data Mining untuk Klasifikasi dan Klasterisasi Data,” Springerreference, 2017.
Agus Nur Khormarudin, “Teknik Data Mining: Algoritma K-Means Clustering,” J. Ilmu Komputer, 2016.
L. Hidayat and W. Firdaus Mahmudy, “Pengelompokan Data Hasil Tes Kepribadian 16pf Sopir Bus Menggunakan Algoritma Genetika” J. Teknol. Inf. Dan Ilmu Komput., Vol. 3, No. 3, pp. 163–168, 2016.
S. Monalisa et al., “Segmentasi Perilaku Pembelian Pelanggan Berdasarkan Model RFM dengan Metode K-Means,” J. Ilm. Mhs. Univ. Surabaya, 2013.
DOI: https://doi.org/10.32520/stmsi.v10i1.1123
Article Metrics
Abstract view : 2253 timesPDF - 144 times
Refbacks
- There are currently no refbacks.
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.