CLUSTERING LOYALITAS PELANGGAN DENGAN MODEL RFM (REFENCY, FREQUENCY, MONETARY) DAN METODE K-MEANS BERBASIS MEDIAN

DOI: https://doi.org/10.33650/coreai.v2i2.3305

Authors (s)


(1) * Ahmad Supriadi   (Universitas Nurul Jadid)
(2)  Moh. Sukron   (Universitas Nurul Jadid)
(3)  Mochammad Faid   (Universitas Nurul Jadid)
(*) Corresponding Author

Abstract


Data loyalitas pelanggan dalam dunia jual beli selalu bertambah seiring dengan berjalannya waktu. Perkembangan teknologi yang sangat pesat dalam dunia bisnis perdagangan menjadi arah perubahan yang sangat signifikan dalam proses transaksi jual beli dengan pemanfaatan tekonologi proses transaksi penjualan dapat dijadikan sebuah sekumpulan data besar dan melimpah, Hal ini berpeluang untuk dapat dilakukan proses pengolahan data sehingga akan didapat sebuah informasi yang bermanfaat. Informasi tersebut seperti mengenai pengelompokan data pelanggan yang memiliki loyalitas tinggi sehingga pihak unit usaha terkait dapat memberikan reward pada pelanggan yang memiliki tingkat loyalitas tinggi. Untuk mengetahui hal tersebut, dilakukan  pengujian  model  dengan  menggunakan  metode k-means dengan pemilihan  pusat  klaster  awal  berbasis  median, hasil eksperimen dengan model tersebut dapat menghasilkan kualitas klaster yang lebih baik karena dengan pemilihan pusat klaster awal berbasis median tidak terjadi klaster kosong. Klaster yang dihasilan yaitu pada cluster pertama 133 cluster Kedua 30 dan cluster ketiga 208 sedangkan cluster keempat 129 dengan nilai DBI 0,694. Sedangkan metode k-mmeans dengan pemilihan pusat klaster standart didalam experimen ini menggunakan tool rapidminer didapat cluster pertama 310 cluster Kedua 19 dan cluster ketiga 37 sedangkan cluster keempat 134 dengan nilai DBI 0,807.




Full Text: DOWNLOAD PDF



References


Dian Melisa, “Hubungan Antara Citra Merek Dengan Loyalitas Konsumen Produk The Body Shop Pada Mahasiswi Universitas Diponegoro,”Jurnal Empati, Volume 5(4), 630-633,Oktober 2016.

Zainuddin Tahuman, “Analisis Faktor-Faktor Yang Mempengaruhi Loyalitas

Pelanggan SertaDampaknya Terhadap Keunggulan Bersaing,”Jurnal Riset

Bisnis dan Manajemen Vol 4 ,No.3,2016.

Sudriyanto, “Clustering Loyalitas Pelanggan Dengan Metode RFM (Recenty,Frequency,Monetary) dan Fuzzy C-Means,” Pros. SNATIF Ke-4, pp. 815–822, 2017.

Tikaridha Hardiani, Selo Sulistyo, Rudy Hartanto, “Segmentasi Nasabah Tabungan Menggunakan Model RFM (Recency, Frequency,Monetary) dan K-Means Pada Lembaga Keuangan Mikro”,Seminar Nasional Teknologi Informasi dan Komunikasi Terapan (SEMANTIK),2015

E. H. Witten, Ian H. Frank, "Data Mining Practical Machine Learning Tools and Techniques Third Edition". 2011.

P. Berkhin, “Survey of Clustering Data Mining Techniques,” pp. 1–56.

E. H. Witten, Ian H. Frank, "Data Mining Practical Machine Learning Tools and Techniques Third Edition". 2011.

X. Wu and V. KUmar, The Top Ten Algorithms in Data Mining. 2009.

P. J. Flynn, “Data Clustering : A Review,” vol. 31, no. 3, 2000.

A. K. Jain, “Data clustering : 50 years beyond K-means q,” Pattern Recognit. Lett., vol. 31, no. 8, pp. 651–666, 2010.

J. A. Lozano and P. Larra, “An empirical comparison of four initialization methods for the K - Means algorithm,” vol. 20, 1999. [8] M. E. Celebi, H. A. Kingravi, and P. A. Vela, “Expert Systems with Applications A

M. E. Celebi, H. A. Kingravi, and P. A. Vela, “Expert Systems with Applications A.

S. Deelers and S. Auwatanamongkol, “Enhancing K-Means Algorithm with Initial Cluster Centers Derived from Data Partitioning along the Data Axis with the Highest Variance,” vol. 26, no. December, pp. 323–328, 2007.

M. E. Celebi, “A Comparative Study of Efficient Initialization Methods for the K-Means Clustering Algorithm,” vol. 2, no. 1, 2012.

Yulison Herry Chrisnanto1, Ade Kanianingsih2,”Pengelompokan Ekuitas Pelanggan Berbasis Recency Frequency Monetary (Rfm) Menggunakan K-Means Clustering”,ISSN: 2089-9815,Seminar Nasional Teknologi Informasi dan Komunikasi,2019

Hendi Shopian, “Pemilihan Pusat Klaster Awal Pada Metode K-Means

Berbasis Median”,ISSN Cetak: 2087-4286,ISSN On Line: 2580-6017.

Soumi Ghosh,Sanjay Kumar Dubey,”Comparative Analysis of K-Means and Fuzzy CMeans Algorithms”,Vol. 4, No.4, 2013,

Navjot Kaur, Jaspreet Kaur Sahiwal, Navneet Kaur,”Efficient K-Means Clustering Algorithm Using Ranking Method In Data Mining”,ISSN: 2278 – 1323,2012.

Yusuf Priyo Anggodo, Winda Cahyaningrum, Aprilia Nur Fauziyah, Irma

Lailatul Khoiriyah, Oktavianis Kartikasari, Imam Cholissodin, “Hybrid K-

Means Dan Particle Swarm Optimization UntukClustering Nasabah Kredit”,

Vol. 4, No. 2, Juni 2017, hlm. 104-110

Mardalius,”Implementasi Algoritma K-Means Clustering Untuk Menentukan Kelas Kelompok Bimbingan Belajar Tambahan”, Proceding SEMILOKA ROYAL 2017 “Teknologi Mobile”,2017.

Hurriyati, Ratih. 2005. Bauran Pemasaran dan Loyalitas Konsumen. Edisi 1.

Bandung: Alfabeta


Article View

Abstract views : 200 times | DOWNLOAD PDF files viewed : 127 times

Dimensions, PlumX, and Google Scholar Metrics

10.33650/coreai.v2i2.3305


Refbacks

  • There are currently no refbacks.


Copyright (c) 2021 Ahmad Supriadi, Moh. Sukron, Mochammad Faid

Creative Commons License
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.


Creative Commons License
 
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.

COREAI: Jurnal Kecerdasan Buatan, Komputasi dan Teknologi Informasi

Published by Technic Faculty of Nurul Jadid University, Probolinggo, East Java, Indonesia.