Implementasi Algoritma K-Means dengan Optimasi SOM Dalam Pemetaan Karakteristik Pelanggan Berdasarkan Model LRFM pada Bisnis Retail Hokimart, Kediri

Adha, Elvia Ichsazene Dina (2024) Implementasi Algoritma K-Means dengan Optimasi SOM Dalam Pemetaan Karakteristik Pelanggan Berdasarkan Model LRFM pada Bisnis Retail Hokimart, Kediri. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 5026201029-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 October 2026. Download (2MB) | Request a copy

Abstract

Pentingnya memahami perilaku pelanggan dalam era modern yang dipengaruhi oleh kemajuan teknologi tidak bisa diabaikan. Preferensi untuk layanan yang praktis, otomatis, efektif, dan fleksibel telah menjadi prioritas utama dalam kehidupan sehari-hari. Dalam konteks bisnis yang semakin terdorong oleh tren e-commerce, para pelaku bisnis harus beradaptasi dengan lingkungan yang digital. Strategi pemasaran yang berfokus pada mempertahankan loyalitas pelanggan dan meningkatkan kualitas layanan menjadi kunci sukses dalam memaksimalkan penjualan. Maka pentingnya memahami bahwa mempertahankan pelanggan yang sudah ada memiliki dampak ekonomi yang lebih signifikan dibandingkan dengan menambah jumlah pelanggan baru. Penelitian ini memfokuskan pada Bisnis Retail Hokimart, yang meyadari bahwa merasa perlu untuk melakukan klasterisasi pelanggan. Meskipun memiliki sistem kartu member, Hokimart belum mengoptimalkan data pelanggan tersebut untuk melakukan clustertasi pelanggan. Dalam periode Oktober 2023 sampai dengan April 2024, penelitian ini menggunkan model RFM yang ditingkatkan dengan dimensi Length (L) yang memperhitungkan jangka waktu pembelian. Kemudian pengelompokan pelanggan menggunakan algoritma K-Means yang dioptimasi dengan visualisasi peta Self Organizing Map (SOM) untuk memperkirakan jumlah cluster yang terlihat. Nilai k tersebut akan diuji dengan dua metode sekaligus yaitu metode Elbow dan metode Silhoutte, hal ini bertujuan untuk memastikan bahwa nilai k sudah optimal. Sehingga dapat menutupi kelemahan algoritma K-Means yang tidak bisa menentukan nilai k optimal sendiri.CLV (Customer Lifetime Value), diharapakan dapat memberikan wawasan yang lebih mendalam tentang karakteristik pelanggan. Dari hasil clustering yang dilakukan dalam penelitian tugas akhir ini menghasil 3 cluster pelanggan yang masing-masing memliki karakteristi sebagai pelanggan yang hilang, pelanggan inti bernilai tinggi dan pelanggan dengan konsumsi rendah. Pada hasil pemeringkatan cluster menggunakan nilai rata-rata CLV didapatkan cluster 2 sebagai peringkat pertama dengan nilai 0.473283. sedangkan cluster 1 adalah cluster dengan peringkat terendah yaitu dengan nilai CLV 0.065634. Strategi pemasaran disusun berdasarkan karakteristik tiap cluster.
=====================================================================================================================================
The importance of understanding customer behavior in the modern era, influenced by technological advancements, cannot be overlooked. The preference for practical, automated, effective, and flexible services has become a top priority in daily life. In the context of a business landscape increasingly driven by e-commerce trends, business players must adapt to a more digital environment. Marketing strategies that focus on maintaining customer loyalty and improving service quality are key to maximizing sales. It is crucial to understand that retaining existing customers has a more significant economic impact than acquiring new ones. This research focuses on the retail business Hokimart, which recognizes the need for customer segmentation. Although Hokimart has a member card system, it has not yet optimized customer data for segmentation purposes. During the period from October 2023 to April 2024, this study employs an enhanced RFM model incorporating the Length (L) dimension, which considers the purchase duration. Customer segmentation is then performed using the K-Means algorithm, optimized with the visualization of the Self Organizing Map (SOM) to estimate the number of visible clusters. The value of k is tested using both the Elbow method and the Silhouette method to ensure that the k value is optimal, addressing the limitation of the K-Means algorithm's inability to determine the optimal k value independently. Additionally, calculating Customer Lifetime Value (CLV) is expected to provide deeper insights into customer characteristics. The clustering results of this research identified three customer clusters, each with distinct characteristics: lost customers, high-value core customers, and low-consumption customers. The cluster ranking results, based on the average CLV value, showed that Cluster 2 ranked first with a CLV value of 0.473283, while Cluster 1 ranked lowest with a CLV value of 0.065634. Understanding the characteristic types of each cluster allows for the formulation of tailored marketing strategies for each segment.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	CLV (Customer Lifetime Value), Elbow, K-Means, Model LRFM, Pengelompokkan pelanggan, Silhoutte, SOM, Strategi pemasaran,CLV (Customer Lifetime Value), Customer Segmentation, Elbow, K-Means, LRFM Model, Marketing Strategy, Silhoutte, SOM.
Subjects:	H Social Sciences > HB Economic Theory > HB801 Consumer behavior. H Social Sciences > HF Commerce > HF5415.127 Market segmentation. Target marketing H Social Sciences > HF Commerce > HF5415.15 Branding (Marketing) H Social Sciences > HF Commerce > HF5415.5 Customer services. Customer relations H Social Sciences > HF Commerce > HF5438.35 Data Processing (selling)
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Information System > 57201-(S1) Undergraduate Thesis
Depositing User:	Elvia Ichsazene Dina Adha
Date Deposited:	22 Jul 2024 06:18
Last Modified:	22 Jul 2024 06:18
URI:	http://repository.its.ac.id/id/eprint/108616

Actions (login required)

View Item