Implementasi Algoritma K-Medoids Clustering Untuk Menentukan Segmentasi Pelanggan

Dalam melakukan pengelolaan hubungan dengan pelanggan, perusahaan harus mengenali karakteristik setiap pelanggan sehingga perusahaan dapat membuat strategi pengelolaan yang tepat sesuai dengan karakteristik tersebut. Identifikasi karakteristik pelanggan dapat diperoleh dengan melakukan segmentasi pelanggan yaitu dengan mengelompokkan pelanggan yang memiliki kesamaan karakteristik. Tujuan penelitian ini adalah untuk melakukan segmentasi pelanggan pada XYZ Store dengan menggunakan teknik data mining clustering yaitu dengan menggunakan algoritma K-Medoids yang menggunakan perwakilan data sebagai pusat cluster. Atribut yang digunakan dalam penelitian ini menggunakan analisis RFM yang terdiri dari tiga atribut yaitu: recency, frequency dan monetary. Penentuan jumlah cluster optimal menggunakan metode Silhouette coefficient dan evaluasi hasil cluster menggunakan metode Davies-Bouldin Index (DBI). Dengan menggunakan bantuan aplikasi RStudio hasil segmentasi pelanggan diperoleh tiga segmen pelanggan yaitu loyal customer yang mempunyai nilai recency tinggi (baru), frequency paling banyak dan monetary paling banyak sebanyak 21 pelanggan; typical customer yang memiliki recency rendah (lama), frequency sedang dan monetary sedang sebanyak 31 pelanggan; dan newcomer yang mempunyai nilai recency paling tinggi (paling baru), frequency dan monetary paling rendah sebanyak 61 pelanggan. Dengan diperolehnya tiga segmen pelanggan, maka perusahaan dapat membuat kebijakan dan strategi bisnis dalam melakukan pengelolaan hubungan dengan pelanggan sehingga diharapkan keuntungan perusahaan akan meningkat