ANALISIS SEGMENTASI PELANGGAN MENGGUNAKAN K-MEANS CLUSTERING STUDI KASUS APLIKASI ALFAGIFT
DOI:
https://doi.org/10.46984/sebatik.v26i2.1991Keywords:
Segmentasi Pelanggan, K-Means Clustering, Elbow Method, CRISP-DM, Data MiningAbstract
Segmentasi pelanggan adalah strategi yang diterapkan dengan membagi pelanggan ke dalam kelompok yang berbeda dengan karakteristik, perilaku, atau kebutuhan yang berbeda. Segmentasi pelanggan sangat penting karena dapat digunakan sebagai data pendukung untuk mengetahui loyalitas pelanggan dan menentukan strategi pemasaran yang efektif dan efisien bagi perusahaan. Untuk menentukan segmentasi pelanggan, dilakukan dengan menggunakan algoritma K-Means clustering. Proses clustering dilakukan dengan cara mengelompokkan data histori transaksi pelanggan pengguna aplikasi Alfagift selama bulan Juni 2021 berdasarkan lima kategori yaitu umur, jenis kelamin, frekuensi pembelian, tipe pembayaran dan kota. Proses analisis segmentasi pelanggan menggunakan metode CRISP-DM (Cross Industry Standard Process for Data Mining) yang meliputi enam tahapan yaitu pemahaman bisnis (Business Understanding), pemahaman data (Data Understanding), persiapan data (Data Preparation), pemodelan (Modeling), evaluasi (Evaluation), dan penerapan (Deployment). Algoritma K-Means digunakan untuk membentuk kluster dan metode Elbow digunakan untuk mengevaluasi kluster-kluster yang terbentuk. Algoritma K-means digunakan untuk pembentukan kluster dan metode Elbow digunakan untuk mengevaluasi kluster-kluster yang terbentuk. Hasil k optimum yang terbentuk dari hasil perhitungan SSE (Sum Squared Error) dengan metode Elbow adalah tiga cluster dengan selisih nilai SSE terbesar yaitu 1119.28644. Hasil pengelompokan pelanggan sebanyak tiga cluster; cluster pertama berjumlah 7.219 pelanggan, cluster kedua sebanyak 6.902 pelanggan, dan cluster ketiga sebanyak 5.371 pelanggan. Hasil K-Means clustering tersebut selanjutnya diinterpretasikan sebagai data yang akan digunakan dalam menentukan strategi pemasaran yang tepat.
References
Atika, P. D., & Priatna, W. (2020). Modul Data Mining. Dalam Modul Perkuliahan Data Mining Fakultas Ilmu Komputer Universitas Bhayangkara Jakarta Raya.
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
Febrianti, A. F., Cabral, A. H., & Anuraga, G. (2018). K-Means Clustering Dengan Metode Elbow Untuk Pengelompokkan Kabupaten dan Kota di Jawa Timur Berdasarkan Indikator Kemiskinan. Seminar Nasional Hasil Riset Dan Pengabdian 1, 863–870.
Gustientiedina, G., Adiya, M. H., & Desnelita, Y. (2019). Penerapan Algoritma K-Means Untuk Clustering Data Obat-Obatan. Jurnal Nasional Teknologi Dan Sistem Informasi, 5(1), 17–24. https://doi.org/10.25077/teknosi.v5i1.2019.17-24
Hartanti, N. T. (2020). Metode Elbow dan K-Means Guna Mengukur Kesiapan Siswa SMK Dalam Ujian Nasional. Jurnal Nasional Teknologi Dan Sistem Informasi, 6(2), 82–89. https://doi.org/10.25077/teknosi.v6i2.2020.82-89
Indriyani, I., & Putera, M. I. A. (2020). Web Based Application for Classification Using Naïve Bayes and K-Means Clustering (Case Study: Tic-tac-toe Game). International Journal of Engineering and Emerging Technology, 5(1), 8–13. https://doi.org/10.24843/ijeet.2020.v05.i01.p04
Kamila, I., Khairunnisa, U., & Mustakim, M. (2019). Perbandingan Algoritma K-Means dan K-Medoids untuk Pengelompokan Data Transaksi Bongkar Muat di Provinsi Riau. Jurnal Ilmiah Rekayasa Dan Manajemen Sistem Informasi, 5(1), 119. https://doi.org/10.24014/rmsi.v5i1.7381
Mardalius, M. (2018). Pemanfaatan Rapid Miner Studio 8.2 Untuk Pengelompokan Data Penjualan Aksesoris Menggunakan Algoritma K-Means. Jurteksi, 4(2), 123–132. https://doi.org/10.33330/jurteksi.v4i2.36
Monalisa, S. (2018). Segmentasi Perilaku Pembelian Pelanggan Berdasarkan Model RFM dengan Metode K-Means. Query: Jurnal Sistem Informasi, 2(1), 9–15.
Nainggolan, R., Perangin-angin, R., Simarmata, E., & Tarigan, F. A. (2019). Improved the Performance of the K-Means Cluster Using the Sum of Squared Error (SSE) optimized by using Elbow Method. Journal of Physics: Conference Series.
Nurdiyansyah, Firman, Arifin, S., & Marisa, F. (2018). Penerapan Clustering Algorithm Untuk Mendukung Promosi Server Pulsa Reload. 3(2), 73–78.
Putri, E. T., Kusnanto, G., & Thomas, C. Ju. (2019). Penerapan K-Means Clustering Untuk Segmentasi Pelanggan Pada Sistem Customer Relationship Management di PT. Unichem Candi Indonesia. Konvergensi, 15(2), 46–57.
Schröer, C., Kruse, F., & Gómez, J. M. (2021). A Systematic Literature Review on Applying CRISP-DM Process Model. Dalam Procedia Computer Science (Vol. 196, hlm. 526–534).
Schuh, G., Reinhart, G., Prote, J. P., Sauermann, F., Horsthofer, J., Oppolzer, F., & Knoll, D. (2019). Data mining definitions and applications for the management of production complexity. Procedia CIRP, 81, 874–879. https://doi.org/10.1016/j.procir.2019.03.217
Selvida, D. (2019). Analisis Klasifikasi Data Dengan Kombinasi Metode K-Means Dan Rapid Centroid Estimation (RCE).
Sulistyowati, Ketherin, B. E., Arifiyanti, A. A., & Sodik, A. (2018). Analisa Segmentasi Konsumen Menggunakan Algoritma K-Means Clustering. Seminar Nasional Sains Dan Teknologi Terapan VI 2018, 51–58.
Yunita, F. (2018). Penerapan Data Mining Menggunkan Algoritma K-Means Clustring Pada Penerimaan Mahasiswa Baru (Studi Kasus : Universitas Islam Indragiri). Jurnal Sistemasi, 7(September), 238–249.
Yustina, I., Purwadi, D., & Khuriyati, N. (2021). Healthy Food Consumer Segmentation for Targeting and Positioning New Product Slimming Jelly. Industria: Jurnal Teknologi Dan Manajemen Agroindustri, 10(3), 227–238. https://doi.org/10.21776/ub.industria.2021.010.03.4
Downloads
Published
How to Cite
Issue
Section
License
Authors retain all their rights to the published works, such as (but not limited to) the following rights; Copyright and other proprietary rights relating to the article, such as patent rights, The right to use the substance of the article in own future works, including lectures and books, The right to reproduce the article for own purposes, The right to self-archive the article
