Penerapan Metode K-Means Dengan Metode Elbow Untuk Segmentasi Pelanggan Menggunakan Model RFM (Recency, Frequency & Monetary)
Article Sidebar
Main Article Content
Abstract
Segmentasi pelanggan pada perusahaan merupakan tindakan yang dapat mempermudah perusahaan dalam mengambil keputusan ke depan. Pada penelitian ini data yang digunakan berasal dari perusahaan otomotif, PT Hasjrat Abadi Ambon. Data yang dipakai terdiri dari data transaksi dan pelanggan kendaraan bermotor. Penerapan model RFM dapat mengelompokkan pelanggan-pelanggan berdasarkan nilai variabel Recency, Frequency dan Monetary. Hasil dari model RFM akan memperoleh status baru pada tiap pelanggan dari skala terbaik sampai terburuk. Pelanggan yang telah memiliki status akan dikelompokkan menggunakan metode K-Means menjadi beberapa Cluster(kelompok). Dalam menentukan jumlah Cluster yang optimal maka diterapkan metode Elbow. Algoritma yang digunakan dalam pembentukan Cluster terdiri dari Euclidean Distance dan Manhattan Distance. Kedua algoritma akan dibandingkan kualitas pembentukan Clusternya menggunakan metode Silhoutte Coefficient. Hasil yang diberikan pada penelitian ini berupa data yang terbagi atas 5 kelompok dengan dilakukannya lima kali pengujian untuk menentukan centroid yang unggul. Cluster yang unggul akan dibuatkan visualisasi datanya untuk memudahkan perusahaan dalam mengambil keputusan. Berdasarkan penerapan Silhoutte Coefficient, algoritma yang lebih unggul yaitu Manhattan Distance dengan nilai s(i) sebesar 0.152695.
Downloads
Article Details
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
References
I. Maryani, D. Riana, R. D. Astuti, A. Ishaq, and E. A. Pratama, “Customer Segmentation based on RFM model and Clustering Techniques With K-Means Algorithm,” 2018 Third Int. Conf. Informatics Comput., pp. 1–6.
T. Choi, H. K. Chan, S. Member, and X. Yue, “Recent Development in Big Data Analytics for Business Operations and Risk Management,” pp. 1–12, 2016.
A. J. Christy, A. Umamakeswari, L. Priyatharsini, and A. Neyaa, “RFM ranking – An effective approach to customer segmentation,” J. King Saud Univ. - Comput. Inf. Sci., 2018.
M. Namvar, “A Two Phase Clustering Method for Intelligent Customer Segmentation,” 2010.
D. Marutho, S. H. Handaka, and E. Wijaya, “The Determination of Cluster Number at k-mean using Elbow Method and Purity Evaluation on Headline News,” 2018 Int. Semin. Appl. Technol. Inf. Commun., pp. 533–538, 2018.
T. Kansal, S. Bahuguna, V. Singh, and T. Choudhury, “Customer Segmentation using K-Means Clustering,” 2018 Int. Conf. Comput. Tech. Electron. Mech. Syst., pp. 135–139, 2018.
M. Aryuni and E. Miranda, “Customer Segmentation in XYZ Bank using K-Means and K-Medoids Clustering,” 2018 Int. Conf. Inf. Manag. Technol., no. September, pp. 1–9, 2018.
K. M. A. Patel and P. Thakral, “The Best Clustering Algorithms in Data Mining,” no. 2, pp. 2042–2046, 2016.
S. Mohanavalli and S. K. K. B, “Survey of Pre-processing Techniques for Mining Big Data,” 2017.
M. Tavakoli, “Customer Segmentation and Strategy Development based on User Behavior Analysis , RFM model and Data Mining Techniques : A Case Study,” no. April 2019, 2018.
M. Anggara, H. Sujiani, and N. Helfi, “Pemilihan Distance Measure Pada K-Means Clustering Untuk Pengelompokkan Member Di Alvaro Fitness,” J. Sist. dan Teknol. Inf., vol. 1, no. 1, pp. 1–6, 2016.
H. Wang et al., “An approach for improving K-Means algorithm on market segmentation,” 2010 Int. Conf. Syst. Sci. Eng. ICSSE 2010, pp. 368–372, 2010.