Keywords
K-Medoids
Pelanggan
SAW
RFM
Strategi Pemasaran
How to Cite
Abstract
Penelitian ini bertujuan membantu Distributor XYZ di Bali merencanakan strategi pemasaran melalui segmentasi dan perangkingan pelanggan dengan metode K-Medoids dan Simple Additive Weighting (SAW). Dalam persaingan bisnis yang ketat, teknologi informasi menjadi krusial untuk mengelola data penjualan besar. Menggunakan model RFM (Recency, Frequency, Monetary), penelitian ini mengelompokkan dan merangking pelanggan berdasarkan kontribusi penjualan. K-Medoids mengklasifikasikan pelanggan ke dalam kategori tinggi, sedang, dan rendah, sementara SAW menentukan pelanggan terbaik. Hasil menunjukkan analisis ini dapat membantu manajer penjualan merancang strategi pemasaran lebih efisien dan meningkatkan pelayanan pelanggan, terbukti dengan pelanggan rangking 1-20 sangat loyal dan layak mendapatkan reward dari distributor.
References
G. Purnama, T. H. Pudjiantoro, dan P. N. Sabrina, “Segmentasi Pelanggan Menggunakan K-Medoids Berdasarkan Model Length, Recency, Frequency, Monetary (LRFM),” SNIA (Seminar Nas. Inform. dan Apl., vol. 5, hal. 29–34, 2021, [Daring]. Tersedia pada: https://snia.unjani.ac.id/web/index.php/snia/article/view/240.
R. Siagian, P. Sirait, dan A. Halim, “The Implementation of K-Means dan K-Medoids Algorithm for Customer Segmentation on E-commerce Data Transactions,” Sistemasi, vol. 11, no. 2, hal. 260, 2022, doi: 10.32520/stmsi.v11i2.1337.
A. A. D. Sulistyawati dan M. Sadikin, “Penerapan Algoritma K-Medoids Untuk Menentukan Segmentasi Pelanggan,” Sistemasi, vol. 10, no. 3, hal. 516, 2021, doi: 10.32520/stmsi.v10i3.1332.
M. E. Tsoy dan V. Y. Shchekoldin, “RFM-analysis as a tool for segmentation of high-tech products’ consumers,” 2016 13th Int. Sci. Conf. Actual Probl. Electron. Instrum. Eng. APEIE 2016 - Proc., vol. 3, no. October 2016, hal. 290–293, 2016, doi: 10.1109/APEIE.2016.7807074.
P. E. Prakasawati, Y. H. Chrisnanto, dan A. I. Hadiana, “Segmentasi Pelanggan Berdasarkan Produk Menggunakan Metode K- Medoids,” KOMIK (Konferensi Nas. Teknol. Inf. dan Komputer), vol. 3, no. 1, hal. 335–339, 2019, doi: 10.30865/komik.v3i1.1610.
J. B. Rachmadi, E. Santoso, dan N. Yudistira, “Sistem Pendukung Keputusan Rekomendasi Siswa Kelas Unggulan menggunakan Metode Simple Additive Weighting (SAW) dan Weighted Product (WP) (Studi Kasus : SMA Negeri 1 Taman, Sidoarjo),” vol. 4, no. 9, hal. 2969–2979, 2020, [Daring]. Tersedia pada: http://j-ptiik.ub.ac.id.
M. R. Wicaksono, S. Sakaria, dan C. A. Oktavia, “Sistem Pendukung Keputusan Untuk Mempermudah Kinerja Dalam Proses Penerimaan Beasiswa Menggunakan Metode SAW (Simple Additive Weighting) Berbasis Web (Studi Kasus: SMAS Empat Lima 1 Babat),” J-Intech, vol. 8, no. 01, hal. 30–38, 2020, doi: 10.32664/j-intech.v8i01.468.
N. H. Harani, C. Prianto, dan F. A. Nugraha, “Segmentasi Pelanggan Produk Digital Service Indihome Menggunakan Algoritma K-Means Berbasis Python,” J. Manaj. Inform., vol. 10, no. 2, hal. 133–146, 2020, doi: 10.34010/jamika.v10i2.2683.
F. Nuraeni, D. Kurniadi, dan G. Fauzian Dermawan, “Pemetaan Karakteristik Mahasiswa Penerima Kartu Indonesia Pintar Kuliah (KIP-K) menggunakan Algoritma K-Means++,” J. Sisfokom (Sistem Inf. dan Komputer), vol. 11, no. 3, hal. 437–443, 2023, doi: 10.32736/sisfokom.v11i3.1439.
R. Gustriansyah, N. Suhandi, dan F. Antony, “Clustering optimization in RFM analysis based on k-means,” Indones. J. Electr. Eng. Comput. Sci., vol. 18, no. 1, hal. 470–477, 2019, doi: 10.11591/ijeecs.v18.i1.pp470-477.
S. Monalisa, Y. Juniarti, E. Saputra, F. Muttakin, dan T. K. Ahsyar, “Customer segmentation with RFM models and demographic variable using DBSCAN algorithm,” Telkomnika (Telecommunication Comput. Electron. Control., vol. 21, no. 4, hal. 742–749, 2023, doi: 10.12928/TELKOMNIKA.v21i4.22759.
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
Copyright (c) 2024 Rizki Azhar, Umi Mahdiyah, Daniel Swanjaya