Segmentasi Pelanggan Toko Purnama dengan Algoritma K-Means dan Model RFM untuk Perancangan Strategi Pemasaran

Abstract

Semakin ketatnya persaingan antar toko grosir saat ini, mengharuskan Toko Purnama untuk mengelola pelayanan terhadap pelanggan dengan maksimal. Segmentasi pelanggan berfungsi untuk mengelompokkan pelanggan ke dalam beberapa kelompok guna mengetahui karakteristik dan tingkat loyalitas pelanggan. Dengan mengetahui karakteristik dari tiap pelanggan, akan membantu dalam mempertahankan pelanggan serta menentukan strategi pemasaran yang tepat dan efektif.  Pemanfaatan data mining dapat membantu dalam melakukan segmentasi pelanggan dengan menggunakan data transaksi. Dalam penelitian ini menggunakan metodologi CRISP-DM dan data transaksi Toko Purnama pada tahun 2019. Algoritma K-Means digunakan untuk pembentukan cluster berdasarkan model RFM (Recency, Frequency, Monetary) dengan menggunakan tools Weka 3.9. Metode Elbow berfungsi untuk menentukan jumlah cluster (k) terbaik. Hasilnya yaitu dari 579 pelanggan terbentuk 3 cluster  dengan cluster 0 (sedang) berjumlah  438 pelanggan dan memiliki simbol rank R ↓ F ↓ M ↓ , cluster 1 (terbaik) berjumlah 106 pelanggan dan memiliki simbol rank R ↓ F ↑ M ↑ , cluster 2 (terburuk) berjumlah 35 pelanggan dan memiliki simbol rank R ↑ F ↓ M ↓.