Implementasi Metode Clustering Sebagai Penunjang Strategi dalam Manajemen Pelanggan
Abstract
Menajemen pelanggan merupakan hal yang paling krusial karena pelanggan adalah salah satu aset yang terpenting bagi sebuah perusahaan atau bisnis. Dengan penerapan manajemen pelanggan yang efektif, perusahaan atau bisnis mampu mencapai kepuasan pelanggan yang menyebabkan terciptanya pelanggan yang loyal. Untuk mencapai hal itu maka pelaku usaha harus mengenali karakteristik setiap pelanggan sehingga perusahaan dapat menyesuaikan strategi yang tepat sesuai dengan karakteristik pelanggan tersebut. Dengan menggunakan algoritma K-Medoids clustering serta analisis dari nilai RFM (Recency, Frequency, Monetary) dapat dilakukan untuk segmentasi pelanggan sehingga pemilik usaha dalam hal ini adalah toko kosmetik Rahmadani dapat mengenali karakteristik pelanggannya. Analisis nilai RFM diukur berdasarkan nilai terbaru transaksi, jumlah transaksi dan total uang selama transaksi. Jumlah data transaksi yang digunakan sebesar 1327 entri dari tahun 2021 sampai 2022. Pengujian optimum nilai cluster dilakukan dengan menggunakan metode silhouette coefficient yang menghasilkan nilai optimum 0.496 untuk 4 cluster. Hasil dari penelitian ini adalah 4 buah cluster dari 1327 data yang telah diolah melalui preprocessing data serta RFM scoring didapatkan data sebesar 178 pelanggan, pada cluster 1 berada pada peringkat kedua, cluster 2 peringkat ketiga, cluster 3 peringkat pertama dan cluster ke 4 berada pada peringkat terakhir.
Downloads
References
Adiana, B. E., Soesanti, I., & Permanasari, A. E. (2018). Analisis Segmentasi Pelanggan Menggunakan Kombinasi RFM Model Dan Teknik Clustering. Jurnal Terapan Teknologi Informasi, 2(1), 23–32. https://doi.org/10.21460/jutei.2018.21.76
Bahri, S., Marisa Midyanti, D., & Korespondensi, P. (2023). Penerapan Metode K-Medoids Untuk Pengelompokan Mahasiswa Berpotensi Drop Out Application of K-Medoids Method for Dropout Potential Student Grouping. 10(1), 165–172. https://doi.org/10.25126/jtiik.2023106643
Daffa Rafif Agustian, B. A. D. (2022). Analisis clustering demam berdarah dengue. JIKO (Jurnal Informatika Dan Komputer, Vol. 6, no(e-ISSN : 2477-3964 — p-ISSN : 2477-4413), 18–21. ps://scholar.archive.org/work/q732ndje4vht7j4bwmoryyzuba/access/wayback/https://ejournal.akakom.ac.id/index.php/jiko/article/download/504/pdf
Dewi, D. A. I. C., & Pramita, D. A. K. (2019). Analisis Perbandingan Metode Elbow dan Silhouette pada Algoritma Clustering K-Medoids dalam Pengelompokan Produksi Kerajinan Bali. Matrix : Jurnal Manajemen Teknologi Dan Informatika, 9(3), 102–109. https://doi.org/10.31940/matrix.v9i3.1662
DQLab. (2020). Teknik Pengolahan Data : Mengenal Missing Values dan Cara-Cara Menanganinya. In New Media Tower (p. 1). https://www.dqlab.id/digital-transformation-pahami-teknik-pengolahan-ini-dalam-industri-data
Firmansah, R. Y., Dedy Irawan, J., & Vendyansyah, N. (2021). Analisis Rfm (Recency, Frequency and Monetary) Produk Menggunakan Metode K-Means. JATI (Jurnal Mahasiswa Teknik Informatika), 5(1), 334–341. https://doi.org/10.36040/jati.v5i1.3282
Hadi, F., Octari Rahmadia, D., Hadi Nugraha, F., Putri Bulan, N., Mustakin, & Monalisa, S. (2017). Penerapan K-Means Clustering Berdasarkan RFM Mofek Sebagai Pemetaan dan Pendukung Strategi Pengelolaan Pelanggan (Studi Kasus: PT. Herbal Penawar Alwahidah Indonesia Pekanbaru). SITEKIN: Jurnal Sains, Teknologi Dan Industri, 15(1), 69–76. http://ejournal.uin-suska.ac.id/index.php/sitekin/article/view/4575
Hartati, A. S. (2020). Penerapan Algoritma K-Means Dalam Pemetaan Pelanggan Potensial Menggunakan Model Recency Frequency Monetary. Jurnal Ekonomi Volume 18, Nomor 1 Maret201, 2(1), 41–49.
Mirantika, N., Syamfithriani, T. S., & Trisudarmo, R. (2023). Implementasi Algoritma K-Medoids Clustering Untuk Menentukan Segmentasi Pelanggan. 17, 196–204.
Nahjan, M. R., Heryana, N., & Voutama, A. (2023). Implementasi Rapidminer Dengan Metode Clustering K-Means Untuk Analisa Penjualan Pada Toko OJ Cell. 7(1), 101–104.
Sari, B. N., & Primajaya, A. (2019). Penerapan Clustering Dbscan Untuk Pertanian Padi Di Kabupaten Karawang. Jurnal Informatika Dan Komputer, 4(1), 28–34. www.mapcoordinates.net/en.
Savitri, A. D., Bachtiar, F. A., & Setiawan, N. Y. (2018). Segmentasi Pelanggan Menggunakan Metode K-Means Clustering Berdasarkan Model RFM Pada Klinik Kecantikan (Studi Kasus : Belle Crown Malang). Jurnal Pengembangan Teknologi Informasi Dan Ilmu Komputer (J-PTIIK) Universitas Brawijaya, 2(9), 2957–2966.
Sulistyawati, A. A. D., & Sadikin, M. (2021). Penerapan Algoritma K-Medoids Untuk Menentukan Segmentasi Pelanggan. Sistemasi, 10(3), 516. https://doi.org/10.32520/stmsi.v10i3.1332
Wardani, N. W. (2020). Penerapan Data Mining dalam Analytic CRM. In J. Simarmata (Ed.), Yayasan Kita Menulis. https://www.researchgate.net/publication/351776255
Wibowo, A., & Handoko, A. R. (2020). Segmentasi Pelanggan Ritel Produk Farmasi Obat Menggunakan Metode Data Mining Klasterisasi Dengan Analisis Recency Frequency Monetary (RFM) Termodifikasi. Jurnal Teknologi Informasi Dan Ilmu Komputer, 7(3), 573. https://doi.org/10.25126/jtiik.2020702925
Copyright (c) 2023 Nurmilayanti, Nahrun Hartono (Author)
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
Copyright Notice
An author who publishes in the Jurnal FASILKOM (teknologi inFormASi dan ILmu KOMputer) agrees to the following terms:
- Author retains the copyright and grants the journal the right of first publication of the work simultaneously licensed under the Creative Commons Attribution-ShareAlike 4.0 License that allows others to share the work with an acknowledgement of the work's authorship and initial publication in this journal
- Author is 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 the acknowledgement of its initial publication in this journal.
- Author is permitted and encouraged to post his/her 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 the published work (See The Effect of Open Access).
Read more about the Creative Commons Attribution-ShareAlike 4.0 Licence here: https://creativecommons.org/licenses/by-sa/4.0/.