Penentuan Strategi Pemasaran Produk PLN Berdasarkan Analisis Klastering Data Pelanggan dari Aplikasi PLN Mobile

Tritamtama, Kurnia Aji (2023) Penentuan Strategi Pemasaran Produk PLN Berdasarkan Analisis Klastering Data Pelanggan dari Aplikasi PLN Mobile. Masters thesis, Institut Teknologi Sepuluh Nopember.

Text 6032211161-Master_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 October 2025. Download (2MB) | Request a copy

Abstract

Perkembangan teknologi dan internet saat ini memungkinkan pengguna untuk bertransaksi melalui aplikasi seluler, termasuk pembayaran tagihan dan pembelian token listrik. Aplikasi PLN Mobile adalah produk dari Perusahaan Listrik Negara (PLN) yang telah diunduh oleh lebih dari 35 juta pengguna sejak diluncurkan pada tahun 2016. Pertumbuhan pengguna aplikasi ini akan terus menambah catatan riwayat transaksi listrik. Namun, data tersebut belum dimanfaatkan maksimal oleh PLN, khususnya PLN UID Sulselrabar. Menariknya, data penjualan rata-rata selama empat bulan terakhir di PLN UID Sulselrabar menunjukkan adanya gap kinerja penjualan sebesar 190,32 GWh dari target 100% dan 209,36 GWh dari target 110% pada akhir tahun 2023. Hal ini menjadi sangat penting karena mencapai target penjualan akan memberikan dampak signifikan terhadap kinerja secara keseluruhan. Tujuan penelitian ini adalah melakukan pengklasteran atau segmentasi perilaku pelanggan berdasarkan kriteria pembelian atau transaksi, untuk mengenali dan mempelajari perilaku dalam kelompok pelanggan tertentu, serta membantu perusahaan dalam menentukan strategi pemasaran yang tepat dan efektif. Penelitian ini mengusulkan pengamatan riwayat transaksi listrik selama satu tahun terakhir pada aplikasi PLN Mobile menggunakan model Recency-Frequency-Monetary (RFM), yang merupakan pendekatan yang banyak digunakan dalam analisis perilaku pelanggan. Data yang diambil dari Virtual Command Center PLN pada tanggal 11 Januari 2023 digunakan untuk melakukan permodelan RFM, yang akan mengkategorikan dan mengevaluasi perilaku pelanggan berdasarkan tiga faktor utama: recency (jarak transaksi), frequency (jumlah transaksi), dan monetary (total nilai transaksi). Selanjutnya, dilakukan pengklasteran dengan algoritma K-Means. Klaster-klaster yang dihasilkan akan diberi label segmen RFM sesuai dengan karakteristik umum dari anggota klaster tersebut. Kemudian, dilakukan market targeting dan menentukan strategi pemasaran pada setiap target market yang telah dipilih. Hasil analisis menunjukkan bahwa model RFM mampu digunakan untuk analisis perilaku pelanggan dan memberikan hasil segmentasi yang bermanfaat untuk perusahaan. Hal ini dapat dibuktikan dengan pemilihan jumlah klaster yang berasal dari hasil algoritma k-Means ditentukan oleh model RFM. Segmentasi yang dihasilkan sebanyak 3 (tiga) klaster dengan label masing-masing, Dormant Customers, Typical Customers dan ’Everyday’ Shoppers. Berdasarkan model RFM juga, dalam penentuan target pasar dipilih pendekatan Full Market Coverage dan Multiple Segment Specialization, sehingga mempermudah dalam penentuan strategi pemasaran yang berfokus pada Brand Positioning dan Unique Selling Proposition dalam upaya meningkatkan kinerja penjualan.
==================================================================================================================================
Current technological and internet developments allow users to transact through mobile applications, including paying bills and purchasing electricity tokens. The PLN Mobile application is a product of the State Electricity Company (PLN), downloaded by more than 35 million users since its launch in 2016. The growth in users of this application will continue to add to the history of electricity transactions. However, this data has yet to be fully utilized by PLN, especially PLN UID Sulselrabar. Interestingly, the average sales data for the last four months at PLN UID Sulselrabar shows a sales performance gap of 190.32 GWh from the 100% target and 209.36 GWh from the 110% target at the end of 2023. This is very important because it achieves Sales targets will have a significant impact on overall performance. This research aims to cluster or segment customer behavior based on purchase or transaction criteria, identify and study behavior within certain customer groups and assist companies in determining appropriate and effective marketing strategies. This study proposes to observe the history of electricity transactions for the past year in the PLN Mobile application using the Recency-Frequency-Monetary (RFM) model, an approach widely used in customer behavior analysis. Data taken from the PLN Virtual Command Center on January 11, 2023, is used to perform RFM modeling, which will categorize and evaluate customer behavior based on three main factors: recency (transaction distance), frequency (transaction number), and monetary (total transaction value). Next, clustering is done with the K-Means algorithm. The resulting clusters will be labeled with RFM segments according to the general characteristics of the cluster members. Then, Market Targeting is carried out and determines the marketing strategy for each selected target market. The analysis results show that the RFM model can be used for customer behavior analysis and provides useful segmentation results for companies. This can be proven by selecting the number of clusters derived from the results of the k-Means algorithm determined by the RFM model. The resulting segmentation is 3 (three) clusters with their respective labels, Dormant Customers, Typical Customers, and ‘Everyday’ Shoppers. Also, based on the RFM model, the Full Market Coverage and Multiple Segment Specialization approaches were chosen in determining the target market, making it easier to determine a marketing strategy focusing on Brand Positioning and Unique Selling Proposition to improve sales performance.

Item Type:	Thesis (Masters)
Uncontrolled Keywords:	Klastering, PLN Mobile, RFM, K-Means, Strategi Pemasaran, Clustering, Marketing Strategy
Subjects:	T Technology > T Technology (General) T Technology > T Technology (General) > T57.5 Data Processing
Divisions:	Interdisciplinary School of Management and Technology (SIMT) > 61101-Master of Technology Management (MMT)
Depositing User:	KURNIA AJI TRITAMTAMA
Date Deposited:	28 Aug 2023 02:49
Last Modified:	28 Aug 2023 02:49
URI:	http://repository.its.ac.id/id/eprint/104882

Actions (login required)

View Item