ANALISIS PEMILIHAN CLUSTER OPTIMAL DALAM SEGMENTASI PELANGGAN TOKO RETAIL

Abstract

Saat ini pemanfaatan data menjadi fokus dalam bidang pemasaran khususnya untuk menyusun strategi. Agar strategi pemasaran bisa tepat sasaran dibutuhkan segmentasi pelanggan. Data mining khususnya clustering mampu membantu proses segmentasi pelanggan. Dalam penelitian ini, data mining diimplementasikan untuk segmentasi pelanggan UD. XYZ dengan metode K-Means, K-medoids, dan Means.. Tujuan penelitian ini adalah mencari metode dan nilai k terbaik yang dihasilkan dari tiga metode clustering. Penelitian ini menyajikan proses Data Mining dengan menggabungkan model RFM dengan algoritma clustering K-Medoids, X-Means, dan K-Means. Dataset yang telah diimplementasikan ke dalam model RFM digunakan sebagai bahan pengolahan data. Data transaksi dengan jumlah 153.492 diimplementasikan ke dalam model RFM menjadi 10.145 data untuk dilakukan identifikasi pelanggan potensial. Inisialisasi cluster awal pada metode K-Medoids, X-Means, dan K-Means dilakukan secara random. Nilai k dalam penelitian ini diinisialisasi dari 1 sampai 10. Nilai k diimplementasikan secara berulang dan dihitung validasi cluster menggunakan metode David Bouldin Index (DBI) dan jaraj rata-rata cluster dengan centroid. Hasil penelitian menunjukkan K-medoids memiliki nilai validitas yang lebih baik dibandingkan dengan X-Means dan K-Means. Rata-rata nilai DBI yang dihasilkan metode K-Medoids adalah 0,540778. Jumlah cluster terbaik yang dihasilkan adalah 5 cluster, hal ini ditentukan dengan mempertimbangkan jumlah persebaran data pada k = 5 yang menghasilkan nilai sama pada metode K-Medoids, X-Means, dan K-Means. Tingkatan pelanggan yang terbentuk adalah About To Sleep, Customer Needing Attention, Recent Customer, Potential Loyalist, dan Loyal Customers.