Implementasi Algoritma Clustering Untuk Pengelompokan Pelanggan Retail Berdasarkan Skor Recency, Frequency, Dan Monetary

Moch Irfan Chanafi, Dian Puspita Hapsari, Rinci Kembang Hapsari, Tutuk Indriyani

Abstract

Retail atau dalam Bahasa Indonesia disebut ecerean merupakan sebuah teknik untuk memasarkan produk yang dilakukan oleh penjual ke pelanggan. Para pembisnis retail biasanya memperhatikan masalah umum yang terdapat pada bisnis ini, seperti pelanggan mana yang setia. Berdasarkan kasus tersebut, pembisnis retail mulai tertarik untuk menerapkan proses penambangan data untuk mengelompokan pelanggan berdasarkan karakteristik pelanggan yang serupa dan mengidentifikasi perbedaan antar kelompok.Tujuan dari penelitian ini adalah untuk menyelidiki masalah pemetaan pelanggan yang kaitannya dengan customer relationship management. Pada penelitian ini akan diterapkan metode RFM analysis untuk melakukan penilaian pelanggan berdasarkan skor recency, frequency, dan monetary. Selanjutnya diterapkan metode klustering DBSCAN dan Fuzzy C-Means untuk melakukan pengelompokan data pelanggan retail. DBSCAN merupakan sebuah metode klustering yang mengelompokan data berdasarkan tingkat kerapatan data yang tinggi dengan yang rendah, sedangkan Fuzzy C-Means mengelompokan data berdasarkan derajat keanggotaan setiap data. Data pelanggan akan dikelompokan dengan 2 metode tersebut menjadi masing – masing metode 5 kelompok. Selanjutnya hasil setiap proses klustering baik DBSCAN dan Fuzzy C-Means akan dinilai validitas klusternya dengan menggunakan metode Silhouette Index. Dimana untuk DBSCAN pada kluster 2 sampai 5 memiliki nilai SI 1 sedangkan untuk Fuzzy C-Means memiliki kluster dengan nilai validitas tertinggi yaitu kluster 4 dengan nilai 0.5584288019243665.

Keywords

Retail; RFM Analysis; DBSCAN; Fuzzy C-Means; Clustering; Silhouette Index

Full Text:

PDF

References

Ahmad, H. P., & Dang, S. (2015). Performance Evaluation of Clustering Algorithm Using different dataset. international Journal of Advance Research in Computer Science and Management Studies, 8.

Charu, A. C. (2015). Data Mining The TextBook. Springer.

Dey, A. (2016). Machine Learning Algorithms: A Review. International Journal of Computer Science and Information Technologies, Vol. 7 (3), 6.

Essinger, S. D., & Rosen, G. L. (2011). AN INTRODUCTION TO MACHINE LEARNING FOR STUDENTS IN SECONDARY EDUCATION. 6.

Kassambara, a. (2017). Practical Guide to Cluster Analysis in R: Unsupervised Machine Learning. STHDA.

Kodinariya, T. M., & Makwana, P. R. (20136). Review on determining number of Cluster in K-Means Clustering. International Journal of Advance Research in Computer Science and Management Studies.

Kusumadewi, S., & Purnomo, H. (2010). Aplikasi Logika Fuzzy untuk Mendukung Keputusan. Yogyakarta: Graha Ilmu.

prasetyo, e. (2012). Data Mining Konsep dan aplikasi menggunakan matlab. yogyakarta: Andi.

Rousseeuw, P. J. (1987). Silhouettes: A graphical aid to the interpretation and validation of cluster analysis. Journal of Computational and Applied Mathematics, 13.

Singh, T., & Mahajan, M. (2014). Performance Comparison of Fuzzy C Means with Respect to Other Clustering Algorithm. International Journal of Advanced Research in Computer Science and Software Engineering, 5.

Sivarathri, S., & Govardhan, A. (2014). EXPERIMENTS ON HYPOTHESIS "FUZZY K-MEANS IS BETTER THAN K-MEANS FOR CLUSTERING". International Journal of Data Mining & Knowledge Management Process (IJDKP) Vol.4, No.5, 14.

Subbalakshmi, C., Krishna, G. R., Rao, S. K., & Rao, P. V. (2014). A Method to Find Optimum Number of Clusters Based on Fuzzy Silhouette on Dynamic Data Set. International Conference on Information and Communication Technologies (ICICT 2014), 8.

Wei, J.-T., Lin, S.-Y., & Wu, H.-H. (2010). A review of the application of RFM model. African Journal of Business Management Vol. 4(19), 9.

Refbacks

  • There are currently no refbacks.