Analisis Lrfm Menggunakan K-Means Clustering pada Segmentasi Pelanggan B2b di Ud. Antar Berkah Group

Ibrahim, Muhammad Rasyid Kafif (2022) Analisis Lrfm Menggunakan K-Means Clustering pada Segmentasi Pelanggan B2b di Ud. Antar Berkah Group. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 05211840000100-Undergraduate_Thesis.pdf Restricted to Repository staff only Download (2MB) | Request a copy

Abstract

Melakukan segmentasi pelanggan adalah salah satu cara yang dilakukan oleh perusahaan untuk mendapatkan pemahaman terhadap pelanggan dan meningkatkan kualitas hubungan dengan pelanggan.Implementasi metode analisis data secara sistematik dalam memahami karakteristik pelanggan merupakan hal yang penting untuk dilakukan untuk mendapatkan hasil customer relationship management yang baik dan dapat diukur.Banyak perusahaan besar telah menyadari bahwa data pelanggan merupakan aset penting yang dapat dimanfaatkan untuk melakukan analisis karakteristik pelanggan dalam penyusunan strategi pemasaran perusahaan.Pada tugas akhir ini, segmentasi pelanggan dilakukan untuk menghasilkan strategi retensi yang sesuai dengan potensi setiap segmen pelanggan di UD.Antar Berkah Group. Model yang digunakan adalah model LRFM (Length, Recency, Frequency, dan Monetary) dengan menggunakan algoritma K-Means sebagai metode dalam melakukan klasterisasi.Kedua metode tersebut digunakan untuk melakukan segmentasi pelanggan. Sebelum melakukan klasterisasi, metode elbow digunakan untuk menemukan jumlah klaster optimal.Setelah proses klasterisasi selesai, perhitungan nilai Customer Lifetime Value (CLV) dilakukan.Nilai CLV pada tiap klaster didapatkan dari perkalian bobot yang sebelumnya telah didapatkan pada metode AHP dengan nilai variabel LRFM pada setiap pelanggan.Bobot AHP didapatkan dengan memberikan kuisioner kepada pemangku kepentingan UD. Antar Berkah Group. Bersama-sama dengan pihak UD.Antar Berkah Group, hasil dari klasterisasi pelanggan tersebut kemudian digunakan untuk menyusun strategi retensi sebagai sarana untuk menjaga pelanggan untuk tetap menjadi pelanggan setia perusahaan dan meningkatkan pendapatan perusahaan.Tugas akhir ini berhasil dalam memudahkan proses identifikasi karakteristik pelanggan UD.Antar Berkah Gorup dengan menggunakan informasi data transaksi harian, jumlah kunjungan yang dilakukan, dan banyaknya uang yang dikeluarkan oleh pelanggan.Dihasilkan dari proses klasterisasi sebanyak dua klaster berdasarkan variabel LRFM dengan nama SA dan SB.Dari hasil analisis klasterisasi dan dengan melihat bobot AHP, perusahaan berfokus kepada seberapa sering pelanggan melakukan transaksi daripada jumlah uang yang dikeluarkan oleh pelanggan kepada perusahaan.Klaster SB memiliki nilai CLV yang lebih besar dari klaster SA.Oleh karena itu, kedua klaster tersebut memiliki karakteristik yang berbeda antara satu dengan yang lain sehingga strategi retensi dibuat untuk masing-masing klaster sesuai dengan karakteristiknya.
==============================================================================================================================
Customer segmentation is one of the ways taken by companies to gain an understanding of customers and improve the quality of customer relationships. The implementation of systematic data analysis methods in understanding customer characteristics is important to achieve good and measurable customer relationship management results. Many large companies have realized that customer data is an important asset that can be used to analyze customer characteristics in formulating company marketing strategies. In this final project, customer segmentation was carried out to produce retention strategies that are in accordance with the potential of each customer segment at UD. Antar Berkah Group. The model used is the LRFM (Length, Recency, Frequency, and Monetary) model using the K-Means algorithm as a method for clustering. Both methods are used for customer segmentation. Before clustering, the elbow method is used to find the optimal number of clusters. After the clustering process is completed, the Customer Lifetime Value (CLV) value is calculated. The CLV value in each cluster is obtained from the multiplication of weights previously obtained in the AHP method with the LRFM variable values for each customer. AHP weights were obtained by giving questionnaires to stakeholders of UD. Antar Berkah Group. Together with UD. Antar Berkah Group, the results of the customer clustering were then used to compile retention strategies as a means to keep customers loyal to the company and increase company revenue. This final project succeeded in facilitating the process of identifying UD. Antar Berkah Group's customer characteristics by using daily transaction data information, the number of visits made, and the amount of money spent by customers. The clustering process produced two clusters based on the LRFM variable named SA and SB. From the results of the clustering analysis and by looking at the AHP weights, the company focuses on how often customers make transactions rather than the amount of money spent by customers on the company. Cluster SB has a higher CLV value than cluster SA. Therefore, the two clusters have different characteristics from one another so that retention strategies were created for each cluster according to their characteristics.

Item Type:	Thesis (Other)
Additional Information:	RSSI 658.812 Ibr a-1 2022
Uncontrolled Keywords:	Segmentasi Pelanggan. Algoritma K-Means. LRFM. Customer Lifetime Value. AHP.
Subjects:	H Social Sciences > HD Industries. Land use. Labor > HD30.213 Management information systems. Dashboards. Enterprise resource planning.
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Information System > 57201-(S1) Undergraduate Thesis
Depositing User:	Mr. Marsudiyana -
Date Deposited:	04 Jun 2026 02:56
Last Modified:	04 Jun 2026 02:56
URI:	http://repository.its.ac.id/id/eprint/133551

Actions (login required)

View Item