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

Abstract

Abstrack-Increasingly intense competition between grocery stores nowadays, require Purnama Store to manage customer service with maximum. Customer segmentation function to group customers into groups to find out the characteristics and level of customer loyalty. By knowing the characteristics of each customer, wil help retain customers and determine appropriate and effective marketing strategies. Data mining can help in segmenting customers by using transaction data. In this research using CRISP-DM methodology and Purnama Store transaction data ini 2019. K-Means algorithm is used to form clusters based on RFM (Recency, Frequency, Monetary models with using Weka 3.9 tools. The Elbow method works to determine the best number of cluster (k). The result is that from 579 customers, 3 clusters were formed with cluster 0 (medium) totaling 438 customers who had values of R, F, and M below the average, cluster 1 (best) totaling 106 customers whose R value is below the average but F and M values are above average, meanwhile cluster 2 (worst) totaling 35 customers who had R value above average, F and M values below average. Intisari-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 yang memiliki nilai R, F, dan M dibawah rata-rata, cluster 1 (terbaik) berjumlah 106 pelanggan yang memiliki nilai R dibawah rata-rata tetapi nilai F dan M diatas rata-rata, sedangkan cluster 2 (terburuk) berjumlah 35 pelanggan yang memiliki nilai R diatas rata-rata, nilai F serta M dibawah rata-rata. Kata Kunci-segmentasi pelanggan; data mining; crisp-dm; k-means; model rfm.