Implementasi Algoritma K-Medoids Clustering Untuk Menentukan Segmentasi Pelanggan
Abstract
Dalam melakukan pengelolaan hubungan dengan pelanggan, perusahaan harus mengenali karakteristik setiap pelanggan sehingga perusahaan dapat membuat strategi pengelolaan yang tepat sesuai dengan karakteristik tersebut. Identifikasi karakteristik pelanggan dapat diperoleh dengan melakukan segmentasi pelanggan yaitu dengan mengelompokkan pelanggan yang memiliki kesamaan karakteristik. Tujuan penelitian ini adalah untuk melakukan segmentasi pelanggan pada XYZ Store dengan menggunakan teknik data mining clustering yaitu dengan menggunakan algoritma K-Medoids yang menggunakan perwakilan data sebagai pusat cluster. Atribut yang digunakan dalam penelitian ini menggunakan analisis RFM yang terdiri dari tiga atribut yaitu: recency, frequency dan monetary. Penentuan jumlah cluster optimal menggunakan metode Silhouette coefficient dan evaluasi hasil cluster menggunakan metode Davies-Bouldin Index (DBI). Dengan menggunakan bantuan aplikasi RStudio hasil segmentasi pelanggan diperoleh tiga segmen pelanggan yaitu loyal customer yang mempunyai nilai recency tinggi (baru), frequency paling banyak dan monetary paling banyak sebanyak 21 pelanggan; typical customer yang memiliki recency rendah (lama), frequency sedang dan monetary sedang sebanyak 31 pelanggan; dan newcomer yang mempunyai nilai recency paling tinggi (paling baru), frequency dan monetary paling rendah sebanyak 61 pelanggan. Dengan diperolehnya tiga segmen pelanggan, maka perusahaan dapat membuat kebijakan dan strategi bisnis dalam melakukan pengelolaan hubungan dengan pelanggan sehingga diharapkan keuntungan perusahaan akan meningkat.
References
Fadly, M., & Wantoro, A. (2019, August). Model Sistem Informasi Manajemen Hubungan Pelanggan Dengan Kombinasi Pengelolaan Digital Asset Untuk Meningkatkan Jumlah Pelanggan. In Prosiding Seminar Nasional Darmajaya (Vol. 1, pp. 46-55).
Putri, F. I. W., & Surianto, M. A. (2022). Strategi Mengelola Hubungan Pelanggan Pada Kajian Business To Business PT Wakabe Indonesia. Jurnal Indonesia Sosial Sains, 3(01), 44-56.
Muningsih, E., & Kiswati, S. (2018). Sistem aplikasi berbasis optimasi metode elbow untuk penentuan clustering pelanggan. Joutica: Journal of Informatic Unisla, 3(1), 117-124.
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
Shihab, S. H., Afroge, S., & Mishu, S. Z. (2019, February). RFM based market segmentation approach using advanced k-means and Agglomerative clustering: a comparative study. In 2019 International Conference on Electrical, Computer and Communication Engineering (ECCE) (pp. 1-4). IEEE.
Shirole, R., Salokhe, L., & Jadhav, S. (2021). Customer Segmentation using RFM Model and K-Means Clustering.
Parikh, Y., & Abdelfattah, E. (2020, October). Clustering algorithms and RFM analysis performed on retail transactions. In 2020 11th IEEE Annual Ubiquitous Computing, Electronics & Mobile Communication Conference (UEMCON) (pp. 0506-0511). IEEE.
Hung, P. D., Lien, N. T. T., & Ngoc, N. D. (2019, March). Customer segmentation using hierarchical agglomerative clustering. In Proceedings of the 2019 2nd International Conference on Information Science and Systems (pp. 33-37).
Sheshasaayee, A., & Logeshwari, L. (2018, May). Implementation of clustering technique based RFM analysis for customer behaviour in online transactions. In 2018 2nd International Conference on Trends in Electronics and Informatics (ICOEI) (pp. 1166-1170). IEEE.
Vercellis, C. (2009). Business intelligence: data mining and optimization for decision making. John Wiley & Sons.
Mousavi, S. H. A. H. L. A., Boroujeni, F. Z., & Aryanmehr, S. A. E. E. D. (2020). Improving customer clustering by optimal selection of cluster centroids in k-means and k-medoids algorithms. Journal of Theoretical and Applied Information Technology, 98(18).
Atmaja, E. H. S. (2019). Implementation of k-Medoids Clustering Algorithm to Cluster Crime Patterns in Yogyakarta. International Journal of Applied Sciences and Smart Technologies, 1(1), 33-44.
Sulistyawati, A. A. D., & Sadikin, M. (2021). Penerapan Algoritma K-Medoids Untuk Menentukan Segmentasi Pelanggan. Sistemasi: Jurnal Sistem Informasi, 10(3), 516-526.
Madani, A., Rahmah, A. R. A., Nurunnisa, F. N. F., & Elia, A. E. A. (2022, September). Segmentasi Pelanggan pada BC HNI 2 Pekanbaru dengan Menerapkan Algoritma K-Medoids dan Model RFM (Recency, Frequency, Monetery): Customer Segmentation at BC HNI 2 Pekanbaru by Applying the K-Medoids Algorithm and Recency, Frequency, Monetary (RFM) Model. In SENTIMAS: Seminar Nasional Penelitian dan Pengabdian Masyarakat (Vol. 1, No. 1, pp. 179-186).
Purnama, G., Pudjiantoro, T. H., & Sabrina, P. N. (2021, October). Data mining SEGMENTASI PELANGGAN MENGGUNAKAN K-MEDOIDS BERDASARKAN MODEL LENGTH, RECENCY, FREQUENCY, MONETARY (LRFM). In SNIA (Seminar Nasional Informatika dan Aplikasinya) (Vol. 5, pp. B29-34).
Fayyad, U. M., Piatetsky-Shapiro, G., & Smyth, P. (1996). Advances in Knowledge Discovery and Data mining. Menlo Park, CA: AAAI Press.
Marlina, D., Putri, N. F., Fernando, A., & Ramadhan, A. (2018). Implementasi Algoritma K-Medoids dan K-Means untuk Pengelompokkan Wilayah Sebaran Cacat pada Anak. J. CoreIT, 4(2), 64.
Supriyadi, A., Triayudi, A., & Sholihati, I. D. (2021). Perbandingan algoritma k-means dengan k-medoids pada pengelompokan armada kendaraan truk berdasarkan produktivitas. JIPI (Jurnal Ilmiah Penelitian dan Pembelajaran Informatika), 6(2), 229-240.
Sutresno, S. A., Iriani, A., & Sediyono, E. (2018). Metode K-Means Clustering dengan Atribut RFM untuk Mempertahankan Pelanggan. Jurnal Teknik Informatika Dan Sistem Informasi, 4(3), 433-440
Rahmah, M., Candra, A., & Sembiring, R. W. (2022). Identifikasi Predikat Hasil Pengelompokan Data Kualitas Udara dengan Menggunakan Affinity Propagation dan Silhouette Coefficient. InfoTekJar: Jurnal Nasional Informatika dan Teknologi Jaringan, 6(2), 177-180.
Andini, A. D., & Arifin, T. (2020). Implementasi algoritma k-medoids untuk klasterisasi data penyakit pasien di rsud kota bandung. Jurnal Responsif: Riset Sains dan Informatika, 2(2), 128-138.
Farissa, R. A., Mayasari, R., & Umaidah, Y. (2021). Perbandingan Algoritma K-Means dan K-Medoids Untuk Pengelompokkan Data Obat dengan Silhouette Coefficient di Puskesmas Karangsambung. Journal of Applied Informatics and Computing (JAIC), 5(2), 109-116
