Angelie, Anissa Veronika (2017) Segmentasi Pelanggan Menggunakan Clustering K-Means dan Model RFM (Studi Kasus: PT. Bina Adidaya Surabaya). Undergraduate thesis, Institut Teknologi Sepuluh Nopember.
Preview |
Text
5213100071-Undergraduate_Theses.pdf - Published Version Download (3MB) | Preview |
Abstract
Pada masa Masyarakat Ekonomi ASEAN (MEA), Indonesia dipilih oleh beberapa perusahaan dari negara lain untuk menjual produknya, termasuk diantaranya perusahaan cat luar negeri. Oleh karena itu, persaingan pasar yang semakin sengit membuat PT. Bina Adidaya Surabaya tidak mungkin hanya berfokus dengan produk yang dijual, namun penting juga untuk memperhatikan proses mengelolah hubungan pelanggan yaitu dengan retailer. Segmentasi merupakan proses awal yang mengetahui pelanggan mana yang dapat dipertahankan. Pada segmentasi, pelanggan yang memiliki kesamaan tertentu akan dikelompokkan menjadi satu untuk mempermudah proses pengelolaan. Metode clustering dengan algoritma K-Means diterapkan untuk melakukan segmentasi. Metode Elbow digunakan untuk membantu menemukan jumlah k dalam penerapan K-Means. Implementasi clustering melibatkan variabel yang didapatkan dari model RFM. Model tersebut dapat menggambarkan perilaku retailer dalam melakukan transaksi dengan PT. Bina Adidaya. Data yang digunakan dalam segmentasi pelanggan merupakan riwayat pembelian retailer pada periode Januari 2016 hingga Desember 2016. Penerapan analisis RFM dan metode K-Means menghasilkan dua macam segmen yaitu menjadi 2 segmen dan 3 segmen, namun 3 segmen pelanggan merupakan pembagian yang terbaik. Hasil 3 segmen telah diuji performanya menggunakan tiga metode yaitu performa berdasarkan Sum of Square Error sebesar 3.08, Dunn Index sebesar 0,25 dan Connectivity sebesar 7.89. Persentase jumlah anggota pada segmen 1 sebesar 9.64%, segmen 2 sebesar 65.1% dan segmen 3 sebesar 25.3%. Analisa berdasarkan nilai RFM setiap segmen menunjukkan bahwa segmen 1 merupakan segmen yang memiliki nilai terbaik. Tugas akhir ini menghasilkan visualisasi segmentasi pelanggan PT. Bina Adidaya Surabaya dengan grafk dan gambar yang interaktif pada web-based.
========================================================================================================================
At the time of the ASEAN Economic Community (MEA), Indonesia was selected by several companies from other countries to sell its products, including overseas paint companies. Therefore, the increasingly fierce market competition makes PT. Bina Adidaya Surabaya is unlikely to focus solely on products sold, but it is also important to pay attention to the process of managing customer relationships with retailers. Segmentation is an early process that knows which customers can be sustained. In segmentation, customers who have certain similarities will be grouped into one for. The grouping method with K-Means algorithm is applied to segment. The Elbow method is used to help find the number of k in the application of K-Means. Implementation Clustering involves variables obtained from the RFM model. The model can describe the behavior of retailers in conducting transactions with PT. Bina Adidaya. The data used in customer segmentation is the history of retailer purchases in the period January 2016 through December 2016. The application of RFM and K - Means method resulted in two segments: 2 segments and 3 segments, but 3 segment customers is the best division. The 3 segment results have been tested for performance using three methods: performance based on Sum of Square Error is 3.08, Dunn Index is 0.25 and Connectivity is 7.89. Percentage number of members at segment number 1 is 9.6%, segment 2 is 65.1% and segment 3 is 25.3%. The analysis based on the RFM value of each segment shows that segment 1 is a segment that has the best value. This final project resulted in visualization of customer segmentation of PT. Bina Adidaya Surabaya with interactive graphics and images on the web-based.
| Item Type: | Thesis (Undergraduate) |
|---|---|
| Uncontrolled Keywords: | segmentasi pelanggan, clustering, model RFM, K-Means, Metode Elbow |
| Subjects: | Q Science > QA Mathematics > QA278 Cluster Analysis. Multivariate analysis. Correspondence analysis (Statistics) T Technology > T Technology (General) > T58.62 Decision support systems |
| Divisions: | Faculty of Information Technology > Information System > 57201-(S1) Undergraduate Thesis |
| Depositing User: | Anissa Veronika Angelie |
| Date Deposited: | 11 Aug 2017 03:00 |
| Last Modified: | 05 Mar 2019 03:03 |
| URI: | http://repository.its.ac.id/id/eprint/42240 |
Actions (login required)
 |
View Item |