PENERAPAN CLUSTERING K-MEANS PADA CUSTOMER SEGMENTATION BERBASIS RECENCY FREQUENCY MONETARY (RFM)(STUDI KASUS : PT SINAR KENCANA INTERMODA SURABAYA)

Segmentasi pelanggan adalah sebuah kunci perusahaan dalam meningkatkan hubungan dengan pelanggan. Dalam hal melakukan segmentasi pelanggan dengan menggunakan Data Mining merupakan salah satu hal yang dapat memberikan keuntungan bagi sebuah perusahaan dalam melakukan Analisis terhadap CRM. Penelitian ini bertujuan untuk penerapan algoritma k-Means untuk membentuk segmentasi pelanggan, sehingga dapat mengetahui tingkat potensial pelanggan. Tahapan penelitian meliputi pengumpulan data, pengolahan data dan informasi, analisis data, perancangan sistem, implementasi sistem, pengujian sistem dan evaluasi sistem. Pengumpulan data dilakukan melalui tahap wawancara, studi literatur dan pengumpulan bahan dokumen yang kemudian data tersebut diolah dengan cara reduksi data sesuai dengan atribut yang dibutuhkan. Variabel yang digunakan merupakan recency,frequency dan monetary. Analisis data dilakukan dengan dua cara yaitu pembobotan RFM untuk menghasilkan bobot RFM dimana recency merupakan transaksi terakhir, frequency merupakan jumlah transaksi yang dilakukan dan monetary yang merupakan total biaya transaksi yang telah dilakukan. Setelah itu barulah dikelompokkan dengan metode k-Means. Dari kriteria tersebut dikelompokkan menjadi 3 kelompok yang diinisialisasikan dengan C1,C2 dan C3 dimana cluster tersebut dikelompokkan menjadi Below Zeroes (BZ), Most Growable Customer (MGC) dan Most Valuable Customer (MVC). Implementasi sistem dibuat untuk menghasilkan sebuah sistem berbasis java yang digunakan untuk melakukan perhitungan k-Means berbasis RFM. Sistem yang dibangun digunakan dalam penerapan customer segmentation. Untuk pengujian dilakukan black box testing dan pengujian validitas sistem untuk melihat apakah sistem yang dibuat telah sesuai. Selanjutnya dari evaluasi sistem didapatkan bahwa pengelompokkan pelanggan pada katergori BZ memiliki nilai presentase 54,3%, kategori MVC sebesar 21,8% dan MGC sebesar 23,9%. Untuk kesimpulan penggunaan k-Means didapatkan bahwa setiap penentuan nilai centroid secara acak yang berbeda, akan menghasilkan pengelompokkan dan hasil iterasi yang berbeda