ANALISIS SEGMENTASI PELANGGAN MENGGUNAKAN MODEL LRFM DAN TEKNIK CLUSTERING

Delvi Nur Aini, Indah Ramadhani, Dwi Erlangga

Abstract


Di era teknologi seperti sekarang ini, perkembangan teknologi informasi tak hanya mempengaruhi banyak bidang salah satunya didunia bisnis. Faktor terpenting dalam mencapai kesuksesan bisnis yaitu dengan mengelola hubungan yang baik dengan pelanggan. Twin Cake Pekanbaru merupakan salah satu toko retail dimana pencatatan datanya masih dilakukan secara manual. Data transaksi yang terjadi setiap hari ini cukup banyak yang menyebabkan banyaknya tumpukan data yang seharusnya dapat diolah lebih lanjut agar menghasilkan informasi yang berguna.  Length, recency, frequency, monetary atau biasa dikenal sebagai LRFM, adalah teknik yang digunakan untuk menghitung nilai pelanggan berdasarkan riwayat transaksi mereka. Tujuan dari penelitian ini adalah untuk mengelompokkan data pelanggan berdasarkan model LRFM dan mengestimasi nilai Customer Lifetime Value (CLV) menggunakan algoritma clustering K-Means. Hasil penelitian menunjukkan bahwa dalam pengelompokan data pelanggan dengan model LRFM, algoritma K-Means menunjukkan performa yang baik dalam melakukan klasterisasi data pelanggan. Hal ini terbukti dari nilai validitas DBI terbaik yang diperoleh, yaitu 0,2500 pada cluster 3. Selanjutnya, cluster 3 memiliki peringkat CLV tertinggi dalam penelitian ini, dengan nilai CLV sebesar 0,918. Cluster ini ditandai dengan simbol LRFM L↑R↓F↑M↑, yang mengindikasikan bahwa pelanggan dalam cluster ini memiliki tingkat loyalitas yang tinggi. Peringkat CLV kedua ditempati oleh cluster 2 dengan nilai CLV sebesar 0,213, dan peringkat CLV ketiga ditempati oleh cluster 1 dengan nilai CLV sebesar 0,074.


References


S. I. Murpratiwi, I. G. Agung Indrawan, and A. Aranta, “Analisis Pemilihan Cluster Optimal Dalam Segmentasi Pelanggan Toko Retail,” Jurnal Pendidikan Teknologi dan Kejuruan, vol. 18, no. 2, p. 152, 2021, doi: 10.23887/jptk-undiksha.v18i2.37426.

J. Liao, A. Jantan, Y. Ruan, and C. Zhou, “Multi-Behavior RFM Model Based on Improved SOM Neural Network Algorithm for Customer Segmentation,” IEEE Access, vol. 10, pp. 122501–122512, 2022, doi: 10.1109/ACCESS.2022.3223361.

N. Mirantika, T. S. Syamfithriani, and R. Trisudarmo, “Implementasi Algoritma K-Medoids Clustering Untuk Menentukan Segmentasi Pelanggan,” Jurnal Nuansa Informatika, vol. 17, pp. 2614–5405, 2023.

X. Pu, C. Song, and J. Huang, “Research on Optimization of Customer Value Segmentation Based on Improved K-Means Clustering Algorithm,” in Proceedings of 2020 IEEE 3rd International Conference on Information Systems and Computer Aided Education, ICISCAE 2020, Institute of Electrical and Electronics Engineers Inc., Sep. 2020, pp. 538–542. doi: 10.1109/ICISCAE51034.2020.9236867.

M. A. Shah Putra, S. Monalisa, J. Julhandri, and I. Khoiru, “Penerapan Algoritma Fuzzy C-Means Menggunakan Model Rfm Dalam Klasterisasi Pelanggan Pada Toko Kue Feandra Cake,” Jurnal Ilmiah Rekayasa dan Manajemen Sistem Informasi, vol. 6, no. 1, p. 64, 2020, doi: 10.24014/rmsi.v6i1.8646.

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

A. D. Savitri, F. A. Bachtiar, and N. Y. Setiawan, “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, vol. 2, no. 9, pp. 2957–2966, 2018.

N. Saini, K. Sharma, P. K. Sarangi, G. Singh, and L. Rani, “Customer Segmentation using K-Means Clustering,” in 2022 10th International Conference on Reliability, Infocom Technologies and Optimization (Trends and Future Directions)(ICRITO), IEEE, 2022, pp. 1–5.

P. S. Ananda, E. Sediono, and I. Sembiring, “KMeans Clustering Menggunakan RapidMiner dalam Segmentasi Pelanggan dengan Evaluasi Davies Bouldin Index Untuk Menentukan Jumlah Cluster Paling Optimal,” Jurnal BATIRSI, vol. 6, no. 2, pp. 8–13, 2023.

R. Siagian, P. Sirait, and A. Halim, “Penerapan Algoritma K-Means dan K-Medoids untuk Segmentasi Pelanggan pada Data Transaksi E-Commerce,” SISTEMASI: Jurnal Sistem Informasi , vol. 11, no. 2, pp. 260–270, 2022.

S. Santoso and Y. Febriadi, “Pengaruh Customer Relationship Management ( Crm ) Terhadap Loyalitas Pelanggan Korporat Pada Penggunaan Layanan Pengiriman Surat Dan Paket Di Kantor Pos Bengkulu 38000,” Jurnal Bisnis dan Pemasaran, vol. 12, pp. 1–15, 2022.

Y. Sun, H. Liu, and Y. Gao, “Research on customer lifetime value based on machine learning algorithms and customer relationship management analysis model,” Heliyon, vol. 9, no. 2, Feb. 2023, doi: 10.1016/j.heliyon.2023.e13384.

E. Ditendra, S. Monalisa, S. Anderjovi, and S. Lesmana, “Klasterisasi Clv Dengan Model Lrfm Menggunakan Algoritma Fuzzy C-Means (Studi Kasus: Pangeran Gym Pekanbaru),” Jurnal Ilmiah Rekayasa dan Manajemen Sistem Informasi, vol. 6, no. 1, pp. 109–116, 2020.

Y. Huang, M. Zhang, and Y. He, “Research on improved RFM customer segmentation model based on K-Means algorithm,” in Proceedings - 2020 5th International Conference on Computational Intelligence and Applications, ICCIA 2020, Institute of Electrical and Electronics Engineers Inc., Jun. 2020, pp. 24–27. doi: 10.1109/ICCIA49625.2020.00012.

H. Syukron, M. F. Fayyad, F. J. Fauzan, Y. Ikhsani, and U. R. Gurning, “Perbandingan K-Means K-Medoids dan Fuzzy C-Means untuk Pengelompokan Data Pelanggan dengan Model LRFM: Comparison K-Means K-Medoids and Fuzzy C-Means for Clustering Customer Data with LRFM Model,” Malcom: Indonesian Journal of Machine Learning and Computer Science, vol. 2, no. 2, pp. 76–83, 2022.

D. Agushinta and M. Murniyati, “Penerapan Algoritma K-Means Clustering Pada Data Keluhan Pelanggan PT. PLN (Persero),” JISAMAR (Journal of Information System, Applied, Management, Accounting and Research), vol. 6, no. 2, pp. 327–340, 2022.

S. Wang et al., “K-means clustering with incomplete data,” IEEE Access, vol. 7, pp. 69162–69171, 2019.

U. R. Gurning and M. Mustakim, “Penerapan Algoritma K-Means dan K-Medoid untuk Pengelompokkan Data Pasien Covid-19,” Building of Informatics, Technology and Science (BITS), vol. 3, no. 1, pp. 48–55, 2021.

T. Pribadi, R. Irsyada, H. Audytra, and D. A. Fatah, “9006-24189-2-Pb,” vol. 9, no. 1, pp. 20–28, 2020.

Z. Nabila, A. R. Isnain, P. Permata, and Z. Abidin, “Analisis Data Mining Untuk Clustering Kasus Covid-19 Di Provinsi Lampung Dengan Algoritma K-Means,” Jurnal Teknologi Dan Sistem Informasi, vol. 2, no. 2, pp. 100–108, 2021.

F. Juniati, R. Zafa, and S. Monalisa, “KLASTERISASI CUSTOMER LIFETIME VALUE DENGAN MODEL LRFM MENGGUNAKAN ALGORITMA FUZZY C-MEANS,” Jurnal Ilmiah Rekayasa dan Manajemen Sistem Informasi, vol. 6, no. 1, 2020.

L. Waroka, S. Monalisa, D. Anjainah, and N. Arifin, “Implementasi Algoritma Fuzzy C-Means (Fcm) Dalam Pengklasterisasian Nilai Hidup Pelanggan Dengan Model Lrfm,” Jurnal Ilmiah Rekayasa dan Manajemen Sistem Informasi, vol. 6, no. 1, pp. 1–5, 2020.




DOI: http://dx.doi.org/10.24014/rmsi.v9i2.24311

Refbacks

  • There are currently no refbacks.