Diterbitkan Oleh:
Lembaga Penelitian Pengabdian Masyarakat Universitas Nusa Mandiri
Creation is distributed below Lisensi Creative Commons Atribusi-NonKomersial 4.0 Internasional.
CLUSTERING KESETIAAN PELANGGAN DENGAN MODEL RFM (RECENCY, FREQUENCY, MONETARY) DAN K-MEANS
Keywords:
Algoritma K-Means, Model RFM, Clustering Kesetiaan Pelanggan
Abstract
Bisnis merupakan kegiatan yang tidak pernah berhenti, segala sesuatu yang menjadi peluang usaha pun dapat dijadikan bisnis yang menjanjikan kepada pelaku bisnis, semakin maju dan berkembangnya dunia usaha, membuat sebagian dari pebisnis gulung tikar, banyak faktor yang membuat mereka kesusahan dalam mempertahankan bisnisnya, diantaranya adalah pelanggan. Penelitian ini bertujuan untuk menentukan pelanggan potensial dan loyal kepada pelaku usaha, pelanggan yang potensial ditentukan dengan segmentasi pelanggan. Model RFM (Recency, Frequency, Monetary) digunakan untuk mencari atribut yang cocok untuk segementasi pelangan dan melalukan klastering menggunakan algoritma K-Means, model yang di keluarkan oleh K-Means pelanggan yang potensial memiliki nilai frekuensi yang besar. Menggunakan Davies bouldin index untuk membantu tingkat akurasi pada data klister.Downloads
Download data is not yet available.
References
Agusta, Y. P. (2007). K-Means – Penerapan, Permasalahan dan Metode Terkait, 3(Pebruari), 47–60.
Duncan, E. (2018). Online-Shopping and E-Commerce worldwide: Statistics & Facts. Retrieved from https://www.statista.com/topics/871/online-shopping/
Hardiani, T., & Hartanto, R. (2017). Segmentasi Nasabah Tabungan Menggunakan Model RFM ( Recency , Frequency , Monetary ) dan K-Means Pada Lembaga Keuangan Mikro, (May).
Iramawati, D. (2011). PEMANFAATAN E-COMMERCE DALAM DUNIA BISNIS. Jurnal Ilmiah Orasi Bisnis, VI, 95–112.
Mara, M. N., & Satyahadewi, N. (2013). PENGKLASIFIKASIAN KARAKTERISTIK DENGAN METODE K-MEANS CLUSTER ANALYSIS, 02(2), 133–136.
Muningsih, E. (2018). KOMPARASI METODE CLUSTERING K-MEANS DAN K-MEDOIDS DENGAN MODEL FUZZY RFM UNTUK PENGELOMPOKAN PELANGGAN, 6(2).
Putu, N. I., Yuliari, P., Gede, I. K., Putra, D., Kadek, N. I., & Rusjayanti, D. W. I. (2015). CUSTOMER SEGMENTATION THROUGH FUZZY C-MEANS AND FUZZY RFM METHOD, 78(3), 380–385.
Reardon, T., Timmer, C. P., & Minten, B. (2012). Supermarket revolution in Asia and emerging development strategies to include small farmers, 109(31). https://doi.org/10.1073/pnas.1003160108
Sandi, T. A. A., Raharjo, M., Putra, J. L., & Ridwan. (2019). Laporan Akhir Mandiri - Clustering Kesetiaan Pelanggan E-Ritel Dengan Model Rfm (Recency, Frequency, Monetary) Dan K-Means.
Sudriyanto. (2017). CLUSTERING LOYALITAS PELANGGAN DENGAN METODE RFM (RECENCY, FREQUENCY, MONETARY ) DAN FUZZY C-MEANS, 815–822. Retrieved from RFM (Recency, Frequency, Monetary), Fuzzy C-Means, clustering, validitas cluster, Partition Coefficient Index (PCI) dan Xie dan Beni (XBI)
Duncan, E. (2018). Online-Shopping and E-Commerce worldwide: Statistics & Facts. Retrieved from https://www.statista.com/topics/871/online-shopping/
Hardiani, T., & Hartanto, R. (2017). Segmentasi Nasabah Tabungan Menggunakan Model RFM ( Recency , Frequency , Monetary ) dan K-Means Pada Lembaga Keuangan Mikro, (May).
Iramawati, D. (2011). PEMANFAATAN E-COMMERCE DALAM DUNIA BISNIS. Jurnal Ilmiah Orasi Bisnis, VI, 95–112.
Mara, M. N., & Satyahadewi, N. (2013). PENGKLASIFIKASIAN KARAKTERISTIK DENGAN METODE K-MEANS CLUSTER ANALYSIS, 02(2), 133–136.
Muningsih, E. (2018). KOMPARASI METODE CLUSTERING K-MEANS DAN K-MEDOIDS DENGAN MODEL FUZZY RFM UNTUK PENGELOMPOKAN PELANGGAN, 6(2).
Putu, N. I., Yuliari, P., Gede, I. K., Putra, D., Kadek, N. I., & Rusjayanti, D. W. I. (2015). CUSTOMER SEGMENTATION THROUGH FUZZY C-MEANS AND FUZZY RFM METHOD, 78(3), 380–385.
Reardon, T., Timmer, C. P., & Minten, B. (2012). Supermarket revolution in Asia and emerging development strategies to include small farmers, 109(31). https://doi.org/10.1073/pnas.1003160108
Sandi, T. A. A., Raharjo, M., Putra, J. L., & Ridwan. (2019). Laporan Akhir Mandiri - Clustering Kesetiaan Pelanggan E-Ritel Dengan Model Rfm (Recency, Frequency, Monetary) Dan K-Means.
Sudriyanto. (2017). CLUSTERING LOYALITAS PELANGGAN DENGAN METODE RFM (RECENCY, FREQUENCY, MONETARY ) DAN FUZZY C-MEANS, 815–822. Retrieved from RFM (Recency, Frequency, Monetary), Fuzzy C-Means, clustering, validitas cluster, Partition Coefficient Index (PCI) dan Xie dan Beni (XBI)
Published
2018-09-15
How to Cite
Sandi, T., Raharjo, M., Putra, J., & Ridwan, R. (2018). CLUSTERING KESETIAAN PELANGGAN DENGAN MODEL RFM (RECENCY, FREQUENCY, MONETARY) DAN K-MEANS. Jurnal Pilar Nusa Mandiri, 14(2), 239-246. https://doi.org/10.33480/pilar.v14i2.74
Article Metrics
Abstract viewed = 898 times
PDF downloaded = 757 times
Abstract viewed = 898 times
PDF downloaded = 757 times
Section
Articles
License
An author who publishes in the Pilar Nusa Mandiri: Journal of Computing and Information System agrees to the following terms:
- 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
- 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.
- 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/.
