KERANGKA PENGAMBILAN KEPUTUSAN UNTUK PEMASARAN PRESISI MENGGUNAKAN METODE RFM, ALGORITMA K-MEANS DAN DECISION TREE

  • Jupriyanto Jupriyanto (1*) STMIK Nusamandiri
  • Siti Nurlela (2) Ilmu Komputer STMIK Nusa Mandiri

    • (*) Corresponding Author
DOI: https://doi.org/10.33480/pilar.v15i2.618

Keywords: Pemasaran Presisi, Metode Tren, RFM, K-Means, Decision Tree

Abstract

Pemasaran presisi memberikan kemampuan pada perusahaan untuk menawarkan produk-produk yang dibuat secara khusus kepada pelanggan dan memberikan kemampuan kepada perusahaan untuk menarik minat pelanggan dengan pesan-pesan pemasaran yang dibuat secara khusus. Penelitian ini menyajikan kerangka kerja pengambilan keputusan baru menggunakan teknik data mining. Pertama, penelitian ini menyajikan model tren untuk memprediksi secara akurat kuantitas pasokan bulanan; kedua, menggunakan model RFM (Recency,Frequency, Monetary) untuk memilih atribut untuk mengelompokkan pelanggan ke dalam kelompok sesuai history transaksi belanjanya; ketiga, menggunakan Algoritma K-Means untuk membuat clustering pelanggan berdasarkan data RFM masing-masing pelanggan, keempat, menggunakan Decision Tree untuk mengidentifikasi nilai atribut penting untuk membedakan kelompok pelanggan yang berbeda; dan akhirnya, dari proses data mining yang peneliti lakukan menciptakan berbagai strategi penawaran yang menargetkan setiap cluster pelanggan. Data penjualan dari Syifamart di Subang Jawa Barat, dikumpulkan dan digunakan dalam studi kasus untuk menggambarkan bagaimana mengimplementasikan kerangka yang diusulkan. Dari penelitian yang telah dilakukan menunjukan bahwa proses data mining dari history transaksi penjualan 351,158 rows, dengan agregasi berdasarkan pelanggan menggunakan metode RFM dan diekstraksi dengan menggunakan algoritma clustering k-means membentuk 4 (empat) cluster optimal. Keempat (empat) cluster tersebut diklasifikasikan dengan menggunakan algoritma decision tree sehingga Syifamart dapat mengetahui mana pelanggan potensial dan mana pelanggan yang tidak potensial. Untuk ketersediaan pasokan stok, manajemen memprediksi kebutuhan persediaan produk dengan menggunakan metode tren dimana stok di bulan selanjutnya di prediksi dengan menggunkana history penjualan di bulan sebelumnya.

Downloads

Download data is not yet available.

References

Amborwati Armadyah, edi winarko. (2014). REVIEW PEMANFAATAN TEKNIK DATA MINING DALAM SEGMENTASI KONSUMEN. Prosiding Seminar Ilmiah Nasional Komputer Dan Sistem Intelijen (KOMMIT 2014), 8(Kommit), 66–73. Retrieved from https://ejournal.gunadarma.ac.id/index.php/kommit/article/view/1009

Hardiani, T., Hartanto, R., & Mada, U. G. (2017). Segmentasi Nasabah Tabungan Menggunakan Model RFM ( Recency , Frequency , Monetary ) dan K-Means Pada Lembaga Keuangan Mikro. (May), 463–468. Retrieved from https://www.researchgate.net/publication/316956918

Jupriyanto., & Nurlela, S. (2019). KERANGKA PENGAMBILAN KEPUTUSAN UNTUK PEMASARAN PRESISI MENGGUNAKAN METODE RFM, ALGORITMA K-MEANS DAN DECISION TREE. Laporan Akhir Penelitian.

Maryani, I., & Riana, D. (2017). Clustering and profiling of customers using RFM for customer relationship management recommendations. 2017 5th International Conference on Cyber and IT Service Management, 2–7. https://doi.org/10.1109/CITSM.2017.8089258

Tsiptsis K, C., & A. (2009). Data Mining Techniques in CRM.

Wardani, N. W., Dantes, G. R., Indrawan, G., Studi, P., Informasi, T., Studi, P., … Pelanggan, S. (2018). Prediksi Customer Churn Dengan Algoritma Decision Tree C4 . 5. JURNAL RESISTOR, 1(1), 16–24. Retrieved from https://ejournal.stiki-indonesia.ac.id/index.php/jurnalresistor/article/view/219

widiarina. (2013). Algoritma Cluster Dinamik Untuk Optimasi Cluster Pada Algoritma K-Means Dalam Pemetaan Nasabah Potensial Algoritma Cluster Dinamik Untuk Optimasi Cluster Pada Algoritma K-Means Dalam. Prosiding SNATIF, 1(1), 33–36. Retrieved from http://journal.ilmukomputer.org/index.php/jis/article/view/18

You, Z., Si, Y. W., Zhang, D., Zeng, X., Leung, S. C. H., & Li, T. (2015). A decision-making framework for precision marketing. Expert Systems with Applications, 42(7), 3357–3367. https://doi.org/10.1016/j.eswa.2014.12.022

Published
2019-09-05
How to Cite
Jupriyanto, J., & Nurlela, S. (2019). KERANGKA PENGAMBILAN KEPUTUSAN UNTUK PEMASARAN PRESISI MENGGUNAKAN METODE RFM, ALGORITMA K-MEANS DAN DECISION TREE. Jurnal Pilar Nusa Mandiri, 15(2), 227-234. https://doi.org/10.33480/pilar.v15i2.618
Article Metrics

Abstract viewed = 691 times
PDF downloaded = 669 times
Issue
Vol 15 No 2 (2019): Pilar Nusa Mandiri : Journal of Computing and Information System Periode September 2019
Section
Articles

Copyright (c) 2019 Jupriyanto Jupriyanto, Siti Nurlela

Creative Commons License

This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.

An author who publishes in the Pilar Nusa Mandiri: Journal of Computing and Information System agrees to the following terms:

  1. Author retains the copyright and grants the journal the right of first publication of the work simultaneously licensed under the Creative Commons Attribution-NonCommercial 4.0 License that allows others to share the work with an acknowledgement of the work's authorship and initial publication in this journal
  2. Author is able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal's published version of the work (e.g., post it to an institutional repository or publish it in a book) with the acknowledgement of its initial publication in this journal.
  3. Author is permitted and encouraged to post his/her work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of the published work (See The Effect of Open Access).
    Read more about the Creative Commons Attribution-NonCommercial 4.0 Licence here: https://creativecommons.org/licenses/by-nc/4.0/.