Jurnal Genap 23/24

research
  • 12 Sep
  • 2024

Jurnal Genap 23/24

Abstrak – Pelanggan dalam dunia bisnis merupakan sumber penghasilan dan sangat menentukan keberlanjutan
dari suatu perusahaan. Menjaga pelanggan untuk tetap setia dan meningkatkan pembelian menjadi tugas setiap
pebisnis terutama bagian pemasaran. Perusahaan dituntut harus memberikan pelayanan yang memuaskan bagi
pelanggan. Mempertahankan pelanggan akan membutuhkan biaya lebih sedikit dibandingkan dengan mencari
pelanggan baru. Pelanggan yang puas dengan pelayanan suatu perusahaan juga dapet menjadi agen pemasaran
atau biasa dikenal dengan word of mouth. Sebuah perusahaan yang bergerak dibidang penjualan alat elektronik
dengan jumlah penjualan yang cukup besar dapat memanfaatkan data pelanggan untuk dapat dilakukan
segmentasi sesuai dengan karakteristik, perilaku dan kebutuhan pelanggan. Ketersediaan data pelanggan dalam
kurun waktu tertentu dapat dimanfaatkan untuk memperoleh informasi dari data pelanggan. Dari data pelanggan
ini dapat dikelompokan menjadi pelanggan yang profitable dan kurang profitable, sehingga pelayanan dapat
disesuaikan dengan kategorinya. Semakin loyal pelanggan maka akan semakin banyak transaksi yang dilakukan
dan uang yang dibelanjakan. Dari data penjualan tahun 2023 yang berjumlah 802 data transaksi maka dapat
dikelompokan pelanggan berdasarkan tanggal terakhir pembelian (Recency), banyaknya pembelian (Frequency)
dan total bayar (Monetary) atau biasa disebut dengan RFM. Setelah data dikelompokan menggunakan metode
RFM selanjutnya melakukan evaluasi dengan membagi data pelanggan menjadi 5 klaster dengan metode fuzzy c-
means, pengukuran klaster optimal menggunakan nilai silhouette coefficient. Berdasarkan hasil pengukuran nilai
silhouette coefficient menunjukan bahwa klaster optimal berada pada klaster 4 dengan nilai 0,496, dari nilai ini
maka pelanggan akan dikelompokan dalam 4 klaster.
Kata Kunci: RFM, silhouette coefficient, fuzzy c-means
Abstract – Customers in the business world are a source of income and really determine the sustainability of a
company. Keeping customers loyal and increasing purchases is the task of every businessman, especially the
marketing department. Companies are required to provide satisfactory service to customers. Retaining
customers will cost less than finding new customers. Customers who are satisfied with a company's service can
also become marketing agents or commonly known as word of mouth. A company that operates in the sales
sector of electronic equipment with a fairly large sales volume can utilize customer data to segment according to
customer characteristics, behavior and needs. The availability of customer data within a certain period of time
can be used to obtain information from customer data. From this customer data, customers can be grouped into
profitable and less profitable customers, so that services can be adjusted according to their categories. The more
loyal the customer, the more transactions they make and the more money they spend. From sales data for 2023,
which amounts to 802 transaction data, customers can be grouped based on the last date of purchase (Recency),
number of purchases (Frequency) and total payment (Monetary) or what is usually called RFM. After the data
has been grouped using the RFM method, then carry out an evaluation by dividing the customer data into 5
clusters using the fuzzy c-means method, measuring optimal clusters using the silhouette coefficient value. Based
on the results of measuring the silhouette coefficient value, it shows that the optimal cluster is in cluster 4 with a
value of 0.496, from this value customers will be grouped into 4 clusters.
Keywords: RFM, silhouette coefficient, fuzzy c-means

Unduhan

 

REFERENSI

bdulhafedh, A. (2021). Incorporating K-means,
Hierarchical Clustering and PCA in Customer
Segmentation. Journal of City and
Development, 3(1), 12–30.
https://doi.org/10.12691/jcd-3-1-3
Anggara, N. A. A., Hutahaean, J., & Iqbal, M.
(2022). Penerapan Customer Relationship
Management (CRM) Dalam Sistem Informasi
Penjualan Kosmetik Berbasis Web. Building
of Informatics, Technology and Science (BITS),
3(4), 480–488.
https://doi.org/10.47065/bits.v3i4.1440
Fikri, R., Mushardiyanto, A., Laudza’Banin, M. N.,
Maureen, K., & Patria, H. (2021).
Pengelompokan Kabupaten/Kota di Indonesia
Berdasarkan Informasi Kemiskinan Tahun
2020 Menggunakan Metode K-Means
Clustering Analysis. Seminar Nasional Teknik
Dan Manajemen Industri, 1(1), 190–199.
https://doi.org/10.28932/sentekmi2021.v1i1.76
Gazi, M. A. I., Mamun, A. Al, Masud, A. Al,
Senathirajah, A. R. bin S., & Rahman, T.
(2024). The relationship between CRM,
knowledge management, organization
commitment, customer profitability and
customer loyalty in telecommunication
industry: The mediating role of customer
satisfaction and the moderating role of brand
image. Journal of Open Innovation:
Technology, Market, and Complexity, 10(1),
100227. https://doi.org/10.1016/j.joitmc.2024.100227

Harahap, M., Lubis, Y., & Situmorang, Z. (2022).
Analisis Pemasaran Bisnis dengan Data
Science : Segmentasi Kepribadian Pelanggan
berdasarkan Algoritma K-Means Clustering.
Data Sciences Indonesia (DSI), 1(2), 76–88.
https://doi.org/10.47709/dsi.v1i2.1348
Harsemadi, I. G., Agustino, D. P., & Budaya, I. G. B.
A. (2023). Klasterisasi Pelanggan Tenant
Inkubator Bisnis STIKOM Bali Untuk Strategi
Manajemen Relasi Dengan Menggunakan
Fuzzy C-Means. JTIM : Jurnal Teknologi
Informasi Dan Multimedia, 4(4), 232–243.
https://doi.org/10.35746/jtim.v4i4.293
Hoang Tien, N., Thi Diem, P., Thanh Vu, N., Kim
Nhan, V., Xuan Bien, B., Thanh Hung, N., Thi
Vang, V., & Author, C. (2021). The strategy
of CRM system development at Mega Market
Vietnam. International Journal of
Multidisciplinary Research and Growth
Evaluation, 2(4), 802–806.
www.allmultidisciplinaryjournal.com
Kuo, R. J., Alfareza, M. N., & Nguyen, T. P. Q.
(2023). Genetic based density peak
possibilistic fuzzy c-means algorithms to
cluster analysis- a case study on customer
segmentation. Engineering Science and
Technology, an International Journal,
47(September), 101525.
https://doi.org/10.1016/j.jestch.2023.101525
Kurnia, A. (2023). Perbandingan Algoritma K-
Means dan Fuzzy C-Means Untuk Clustering
Puskesmas Berdasarkan Gizi Balita Surabaya.
Jurnal PROCESSOR, 18(1), 83–88.
https://doi.org/10.33998/processor.2023.18.1.6
96
Laksono, B. C., & Wulansari, I. Y. (2021).
Pemodelan Dan Penerapan Metode Rfm Pada
Estimasi Nilai Konsumen (Customer Lifetime
Value) Menggunakan K-Means Clustering
Machine Learning. Seminar Nasional Official
Statistics, 2020(1), 1277–1285.
https://doi.org/10.34123/semnasoffstat.v2020i
1.689
Munusamy, S., & Murugesan, P. (2020). Modified
dynamic fuzzy c-means clustering algorithm –
Application in dynamic customer
segmentation. Applied Intelligence, 50(6),
1922–1942. https://doi.org/10.1007/s10489-
019-01626-x
Ngelyaratan, D., Soediantono, D., Staf, S., Tni, K.,
& Laut, A. (2022). Customer Relationship
Management (CRM) and Recommendation for
Implementation in the Defense Industry: A
Literature Review. Journal of Industrial
Engineering & Management Research, 3(3),
2722–8878. http://www.jiemar.org
Nishom, M., Abidin, T., & Wiyono, S. (2023).
Pemanfaatan Teknologi Qr-Code Untuk
Presensi Siswa Di Era Disrupsi Digital. JMM
(Jurnal Masyarakat Mandiri), 7(2), 1984.
https://doi.org/10.31764/jmm.v7i2.13863
Prasetyo, I., & Yani, T. E. (2020). Strategi
Meningkatkan Loyalitas Dengan Pelayanan
Prima, Customer Relationship Management
Dan Kepuasan Pelanggan. Jurnal Dinamika
Sosial Budaya, 22(1), 45.
https://doi.org/10.26623/jdsb.v22i1.2331
Sarkar, M., Roy, P. A., & Chowdhury, F. R. (2024).
Optimizing Marketing Strategies with RFM
Method and K-Means Clustering-Based AI
Customer Segmentation Analysis. 54–60.
https://doi.org/10.32996/jbms
Setiawan, K. E., Kurniawan, A., Chowanda, A., &
Suhartono, D. (2022). Clustering models for
hospitals in Jakarta using fuzzy c-means and
k-means. Procedia Computer Science,
216(2022), 356–363.
https://doi.org/10.1016/j.procs.2022.12.146
Sheila, A. N., Witanti, W., & Sabrina Nurul, P.
(2020). Segmentasi Pelanggan Berdasarkan
Keluhan dengan Menggunakan K-Means
Cluster Analysis pada PT Infomedia Nusantara.
Prosiding Seminar Nasional Sistem Informasi
Dan Teknologi (SISFOTEK), 276–280.
Shirole, R., Salokhe, L., & Jadhav, S. (2021).
Customer Segmentation using RFM Model
and K-Means Clustering. International
Journal of Scientific Research in Science and
Technology, 591–597.
https://doi.org/10.32628/ijsrst2183118
Sun, P. Z. H., Zuo, T., Liang, D., Ming, X., Chen, Z.,
& Qiu, S. (2021). GPHC: A heuristic
clustering method to customer segmentation.
Applied Soft Computing, 111.
https://doi.org/10.1016/j.asoc.2021.107677
Watmah, S., Riana, D., & Astuti, R. D. (2024).
Penerapan K-Means Dan K-Medoids Berbasis
Rfm Pada Segmentasi Pelanggan Di Masa
Pandemi Covid-19. INTI Nusa Mandiri, 18(2),
192–200.
https://doi.org/10.33480/inti.v18i2.4

 

Cari

Bidang Ilmu

Kategori

Kiriman Terbaru