This Author published in this journals
All Journal Infotech Journal
Rifal Bayu Ardi
Universitas Duta Bangsa Surakarta

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

ALGORITMA K-MEANS CLUSTERING UNTUK SEGMENTASI PELANGGAN (STUDI KASUS : FASHION VIRAL SOLO) Rifal Bayu Ardi; Faulinda Ely Nastiti; Sri Sumarlinda
INFOTECH journal Vol. 9 No. 1 (2023)
Publisher : Universitas Majalengka

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31949/infotech.v9i1.5214

Abstract

Fashion Viral Solo merupakan salah satu distributor perlengkapan fashion di Surakarta yang belum memanfaatkan data yang dimiliki untuk melakukan segmentasi dan mengelompokkan pelanggan berdasarkan kemiripannya. Segmentasi adalah proses untuk mencari tahu karakteristik dari pelanggan berdasarkan kesamaan tertentu, sehingga memudahkan pengumpulan informasi tentang pelanggan yang memberikan profit bagi perusahaan. Segmentasi menjadi salah satu strategi untuk menghadapi persaingan usaha, untuk mempertahankan pelanggan, dan untuk membantu manajemen dalam menyusun strategi promosi untuk meningkatkan penjualan. Tujuan dari penelitian ini adalah melakukan segmentasi pelanggan yang pernah bertransaksi di Fashion Viral Solo berdasarkan karakteristiknya. Pada penelitian ini, peneliti menggunakan algoritma K-Means untuk melakukan clustering dan penerapan metode Recency, Frequency dan Monetary. K-Means adalah algoritma sederhana, mudah diimplementasikan, tidak lambat, mudah disesuaikan, dan sering digunakan dalam proses data mining khususnya clustering. Nilai atribut Recency menunjukkan waktu terakhir transaksi, Frequency menunjukkan jumlah transaksi, dan Monetary menunjukkan total nominal transaksi. Dengan menggunakan K-Means dan metode Recency, Frequency dan Monetary, peneliti dapat melakukan segmentasi pelanggan Fashion Viral Solo. Dari penelitian ini, diperoleh hasil 2 cluster pelanggan. Cluster 1 dengan jumlah anggota terbanyak, yakni 343 pelanggan dan cluster 2 dengan jumlah anggota 8 pelanggan. Untuk menentukan jumlah cluster yang paling optimal, peneliti menggunakan metode Silhouette Scores dan diperoleh hasil jika membagi pelanggan menjadi 2 cluster adalah yang paling optimal.