PENERAPAN DATA MINING UNTUK MENENTUKAN SEGMENTASI PELANGGAN MENGGUNAKAN MODEL RFM DAN ALGORITMA K-MEANS CLUSTERING

• IRFAN NUGRAHA

---

ABSTRAK

ABSTRAK

 

Irfan Nugraha (11200471), Penerapan Data Mining Untuk Menentukan Segmentasi Pelanggan Menggunakan Model RFM Dan Algoritma K-Means Clustering

 

Fi & Fi Tent & Decoration adalah pelaku usaha yang menyewakan alat-alat pesta yang tujuannya adalah menyukseskan apapun bentuk acara pelanggannya. Memiliki pelanggan setia adalah menjadi simbol kesuksesan bagi para pelaku usaha. Agar pelanggan tetap setia sewajarnya pihak pelaku usaha manapun memberikan pelayanan dan bonus bagi pelanggan yang berkali-kali melakukan transaksi dengan pihak pelaku usaha. Namun, jasa yang diberikan oleh Fi & Fi bukanlah jasa yang bisa digunakan setiap saat oleh satu pelanggan. Transaksi penyewaan secara berkelanjutan bukanlah hal yang bisa dilakukan oleh satu pelanggan. Maka dari itu dilakukan segmentasi pasar untuk dapat menentukan customer value dari seorang pelanggan bagi pelaku usaha. Dengan diketahuinya segmentasi pasar, diharapkan pihak Fi & Fi dapat lebih mudah menentukan keputusan bisnisnya. Dalam penelitian ini mengusulkan metode KDD dalam menjalankan langkah-langkah pemrosesannya. Data yang digunakan dalm penelitian ini berasal dari rekam transaksi pelanggan sejak bulan Januari 2018 hingga bulan Desember 2019. Proses segmentasi pelanggan yang dilakukan dalam penelitian ini dikembangkan menjadi tiga kategori. Yaitu berdasarkan transaksi pelanggan, domisili/kecamatan dan latar pelanggan. Untuk mencari nilai dari pelanggan menggunakan model RFM. Setelah didapat model RFM, ketiga kategori itu digolongkan dengan menggunakan algoritma K-Means Clustering pada software RapidMiner. Hasilnya dari kategori Pelanggan terdiri dari 4 golongan, dari kategori Kecamatan terdiri dari 3 golongan dan dari kategori Latar terdiri dari 3 golongan.

 

Kata Kunci: Data Mining, Segmentasi Pelanggan, Model RFM, K-Means Clustering, RapidMiner, Sewa Peralatan Pesta

KATA KUNCI

Pnerapan Algoritma

---

DAFTAR PUSTAKA

DAFTAR PUSTAKA

 

[1]      Dinas Kependudukan Dan Pencatatan Sipil, “Jumlah Penduduk Berdasarkan Status Perkawinan di Jawa Barat.” https://opendata.jabarprov.go.id/id/dataset/jumlah-penduduk-berdasarkan-status-perkawinan-di-jawa-barat (accessed Dec. 18, 2021).

[2]      Mardalius, “Pengelompokan Data Penjualan Aksesoris Menggunakan  Algoritma K-Means,” Jurteksi, vol. IV, no. 2, pp. 401–411, 2018.

[3]      N. Setiawan, S. Leksono, and E. Sungkawati, “Modal Sosial Pedagang Kaki Lima Dalam Memanfaatkan Ruang Publik Untuk Berjualan di Pasar Besar Malang,” J. Penelit. Pengkaj. Ilm. Mhs., vol. 1, no. 1, pp. 59–64, 2020.

[4]      K. Putri, I. Rusdi, and A. S. Mulyani, “Sistem Informasi Transaksi Keuangan Pada Pt Aulia Prima Alami Depok,” Swabumi, vol. 6, no. 2, pp. 149–158, 2018, doi: 10.31294/swabumi.v6i2.4569.

[5]      M. R. Ramadhani, “Pengaruh Persepsi Resiko dan Komunikasi Mulut ke Mulut Pada Media Elektronik Terhadap Kepercayaan Konsumen Dalam Pembelian Produk Fashion di E-Commerce,” Psikoborneo J. Ilm. Psikol., vol. 9, no. 3, p. 616, 2021, doi: 10.30872/psikoborneo.v9i3.6503.

[6]      J. Suntoro, Data Mining: Algoritma dan Implementasi dengan Pemrograman PHP. Jakarta: PT Elex Media Komputindo, 2019.

[7]      Bedy Purnama, Pengantar Machine Learning Konsep dan PraktikumDengan Contoh Latihan Berbasis R dan Python. Bandung: Informatika Bandung, 2019.

[8]      Dios Kurniawan, Pengenalan Machine Learning dengan Python. Jakarta: PT Elex Media Komputindo, 2020.

[9]      A. Muhidin, “Analisa Metode Hierarchical Clsutering dan K-Mean dengan Model LRFMP pada Segmentasi Pelanggan,” SIGMA, J. Teknol. Pelita Bangsa, vol. 7, no. 1, pp. 82–83, 2017.

[10]    Y. Wicaksono, “SEGMENTASI PELANGGAN BISNIS DENGAN MULTI KRITERIA MENGGUNAKAN K-MEANS,” IJUBI, vol. 1, no. 2, pp. 45–53, 2018.

[11]    S. Monalisa, “Segmentasi Perilaku Pembelian Pelanggan Berdasarkan Model RFM dengan Metode K-Means,” J. Sist. Inf., vol. 5341, no. April, pp. 9–15, 2018.

[12]    D. A. Nasution, H. H. Khotimah, and N. Chamidah, “Perbandingan Normalisasi Data untuk Klasifikasi Wine Menggunakan Algoritma K-NN,” Comput. Eng. Sci. Syst. J., vol. 4, no. 1, p. 78, 2019, doi: 10.24114/cess.v4i1.11458.

[13]    Suyanto, Data Mining Untuk Klasifikasi dan Klasterisasi Data, Revisi. Bandung: Informatika Bandung, 2018.

[14]    R. T. Vulandari, Data Mining Teori dan Aplikasi Rapidminer. Surakarta: Penerbit Gava Media, 2017.

[15]    A. D. Savitri, F. A. Bachtiar, and N. B. Setiawan, “Tampilan Segmentasi Pelanggan Menggunakan Metode K-Means Clustering Berdasarkan Model RFM Pada Klinik Kecantikan (Studi Kasus _ Belle Crown Malang),” J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 2, no. 9, pp. 2957–2966, 2018, [Online]. Available: http://j-ptiik.ub.ac.id.

[16]    I. Maskanah, A. Primajaya, and A. Rizal, “Segmentasi Pelanggan Toko Purnama dengan Algoritma K-Means dan Model RFM untuk Perancangan Strategi Pemasaran,” INOVTEK Polbeng - Seri Inform., vol. 5, no. 2, p. 218, 2020, doi: 10.35314/isi.v5i2.1443.

[17]    N. Puspitasari, J. A. Widians, and N. B. Setiawan, “Customer segmentation using bisecting k-means algorithm based on recency, frequency, and monetary (RFM) model,” J. Teknol. dan Sist. Komput., vol. 8, no. 2, pp. 78–83, 2020, doi: 10.14710/jtsiskom.8.2.2020.78-83.

[18]    F. Hadi, D. Octari Rahmadia, F. Hadi Nugraha, N. Putri Bulan, Mustakin, 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),” SITEKIN J. Sains, Teknol. dan Ind., vol. 15, no. 1, pp. 69–76, 2017, [Online]. Available: http://ejournal.uin-suska.ac.id/index.php/sitekin/article/view/4575.

[19]    S. I. Murpratiwi, I. G. Agung Indrawan, and A. Aranta, “Analisis Pemilihan Cluster Optimal Dalam Segmentasi Pelanggan Toko Retail,” J. Pendidik. Teknol. dan Kejuru., vol. 18, no. 2, p. 152, 2021, doi: 10.23887/jptk-undiksha.v18i2.37426.

[20]    A. Febri, N. Ningsih, and J. Lemantara, “Aplikasi Analisis Segmentasi Pelanggan untuk Menentukan Strategi Pemasaran Menggunakan Kombinasi Metode K-Means dan Model RFM,” Sistemasi, vol. 10, no. 1, p. 152, 2021, doi: 10.32520/stmsi.v10i1.1123.

[21]    A. A. D. Sulistyawati and M. Sadikin, “Penerapan Algoritma K-Medoids Untuk Menentukan Segmentasi Pelanggan,” Sistemasi, vol. 10, no. 3, p. 516, 2021, doi: 10.32520/stmsi.v10i3.1332.

[22]    F. Defina, S. Alhamdani, A. A. Dianti, and Y. Azhar, “Kredit Menggunakan Metode K-Means Clustering,” JISKa, vol. 6, no. 2, pp. 70–77, 2021, [Online]. Available: https://www.kaggle.com/arjunbhasin2013/ccdata.

[23]    P. E. Prakasawati, Y. H. Chrisnanto, and A. I. Hadiana, “Segmentasi Pelanggan Berdasarkan Produk Menggunakan Metode K- Medoids,” KOMIK (Konferensi Nas. Teknol. Inf. dan Komputer), vol. 3, no. 1, pp. 335–339, 2019, doi: 10.30865/komik.v3i1.1610.

[24]    M. Nazir, Metode Penelitian, Cet.11. Bogor: Penerbit Ghalia Indonesia, 2017.

[25]    D. A. I. C. Dewi and D. A. K. Pramita, “Analisis Perbandingan Metode Elbow dan Silhouette pada Algoritma Clustering K-Medoids dalam Pengelompokan Produksi Kerajinan Bali,” Matrix  J. Manaj. Teknol. dan Inform., vol. 9, no. 3, pp. 102–109, 2019, doi: 10.31940/matrix.v9i3.1662.