Perbandingan Algoritma DBSCAN dan K-MEANS dalam Segmentasi Pelanggan Pengguna Transportasi Publik Transjakarta Menggunakan Metode RFM
Comparison of the DBSCAN and K-MEANS Algorithms in Segmenting Customers Using Public Transportation of Transjakarta Using the RFM Method
DOI:
https://doi.org/10.57152/malcom.v4i4.1516Keywords:
DBSCAN, K-Means, RFM, Segmentasi, Transportasi UmumAbstract
Transportasi umum sangat penting dalam kehidupan individu di suatu daerah. Transjakarta, diperkenalkan pada tahun 2004, adalah sistem Bus Rapid Transit (BRT) terpanjang di dunia dengan 251,2 kilometer jalur, 14 jalur, dan 287 halte di seluruh Jakarta. Sistem ini melayani masyarakat dengan 1.347 unit transportasi. Seiring peningkatan jumlah pengguna, masalah seperti kerumunan di halte dan antrian panjang muncul, sehingga diperlukan segmentasi pelanggan yang cermat.Penelitian ini menggunakan metode Recency, Frequency, Monetary (RFM) untuk analisis segmentasi pelanggan Transjakarta dengan algoritma DBSCAN dan K-Means. Hasil menunjukkan DBSCAN membutuhkan waktu pemrosesan lebih lama untuk klaster tertentu, sedangkan K-Means lebih cepat di klaster tertentu. K-Means unggul dengan Silhouette Score 0.714917 dan Davies-Bouldin Index 0.365776, dibandingkan DBSCAN dengan Silhouette Score 0.699971 dan Davies-Bouldin Index 0.390784. K-Means lebih efektif dalam membedakan pelanggan berdasarkan frekuensi dan nilai moneter, sementara DBSCAN dapat mengidentifikasi outlier dengan interaksi dan nilai moneter tinggi. Secara keseluruhan, K-Means menunjukkan performa yang lebih baik dalam segmentasi pelanggan Transjakarta. Berdasarkan hasil ini, K-Means lebih cocok digunakan untuk segmentasi pelanggan Transjakarta, yang dapat membantu pihak berwenang merancang strategi layanan yang lebih efisien dan meningkatkan kepuasan pelanggan.
References
N. Anche Natalia Fransisca and N. A. Natali F, “Analisis Dampak Service Quality terhadap Customer Trust, Customer Satisfaction dan Customer Loyalty Bus Transjakarta,” Ecodemica: Jurnal Ekonomi, Manajemen dan Bisnis, vol. 7, no. 1, 2023, [Online]. Available: http://ejournal.bsi.ac.id/ejurnal/index.php/ecodemicaWebsite:https://ejournal.bsi.ac.id/ejurnal/index.php/ecodemica
D. A. Susanto, “Segmentasi Pelanggan Menggunakan Algoritma K-Means dan Model RFM (Studi Kasus: Industri Pengolahan Limbah Rumah Tangga),” Ilmiah KOMPUTASI, Volume 21 No?: 2, Juni 2022, p-ISSN 1412-9434/e-ISSN 2549-7227, 2022.
A. Satriawan, R. Andreswari, and O. N. Pratiwi, “SEGMENTASI PELANGGAN TELKOMSEL MENGGUNAKAN METODE CLUSTERING DENGAN RFM MODEL DAN ALGORITMA K-MEANS TELKOMSEL CUSTOMER SEGMENTATION USING CLUSTERING METHOD WITH RFM MODEL AND K-MEANS ALGORITHM,” 2021.
C. R. I. Pata, Statiswaty, and N. Ransi, “SEGMENTASI PEMETAAN PELANGGAN POTENSIAL MENGGUNAKAN ALGORITMA DBSCANDENGAN RFM MODEL BERBASIS WEB,” Vol. 1 No. 2 (2023): Volume 1 Nomor 2 Tahun 2023 , vol. 1, 2023, Accessed: Oct. 21, 2023. [Online]. Available: http://animator.uho.ac.id/index.php/journal
S. Ika Murpratiwi, I. Gusti Agung Indrawan, and A. Aranta, “ANALISIS PEMILIHAN CLUSTER OPTIMAL DALAM SEGMENTASI PELANGGAN TOKO RETAIL,” Jurnal Pendidikan Teknologi dan Kejuruan, vol. 18, no. 2, 2021.
K. E. Setiawan and A. Kurniawan, “PENGELOMPOKAN RUMAH SAKIT DI JAKARTA MENGGUNAKAN MODEL DBSCAN, GAUSSIAN MIXTURE, DAN HIERARCHICAL CLUSTERING,” Jurnal Informatika Terpadu, vol. 9, no. 2, pp. 149–156, 2023, [Online]. Available: https://journal.nurulfikri.ac.id/index.php/JIT
R. C. P. Ipa, Statiswaty, and R. Natalis, “SEGMENTASI PEMETAAN PELANGGAN POTENSIAL MENGGUNAKAN ALGORITMA DBSCANDENGAN RFM MODEL BERBASIS WEB,” ANIMATOR, vol. 1, no. 2, pp. 63–71, 2023, Accessed: Nov. 03, 2023. [Online]. Available: http://animator.uho.ac.id/index.php/journal
R. A. Farissa, R. Mayasari, and Y. Umaidah, “Perbandingan Algoritma K-Means dan K-Medoids Untuk Pengelompokkan Data Obat dengan Silhouette Coefficient,” 2021. doi: 10.30871/jaic.v5i1.3237.
T. Ho, S. Nguyen, H. Nguyen, N. Nguyen, D. S. Man, and T. G. Le, “An Extended RFM Model for Customer Behaviour and Demographic Analysis in Retail Industry,” Business Systems Research, vol. 14, no. 1, pp. 26–53, Sep. 2023, doi: 10.2478/bsrj-2023-0002.
H. Imam, P. Yenik, and A. M. Muhamad, “Pengaruh Pembangunan Infrastruktur Transportasi Berkelanjutan terhadap Mobilitas dan Lingkungan di Kalimantan,” Jurnal Multidisiplin West Science, vol. 02, no. 10, pp. 908–917, 2023, doi: https://doi.org/10.58812/jmws.v2i10.705.
A. Levana and S. Hartono, “Analisis Perilaku Konsumen Terhadap Niat Menggunakan Transportasi Publik PT. Transportasi Jakarta,” LOCUS:Penelitian & Pengabdian, vol. 2, no. 9, 2023, Accessed: Nov. 04, 2023. [Online]. Available: https://locus.rivierapublishing.id/index.php/jl
M. Harahap, Y. Lubis, and Z. Situmorang, “Data Science bidang Pemasaran?: Analisis Prilaku Pelanggan,” Data Sciences Indonesia (DSI), vol. 1, no. 1, pp. 21–32, Nov. 2021, doi: 10.47709/dsi.v1i1.1194.
A. M. T I Sambi Ua et al., “Penggunaan Bahasa Pemrograman Python Dalam Analisis Faktor Penyebab Kanker Paru-Paru Universitas Bina Nusantara,” Jurnal Publikasi Teknik Informatika (JUPTI), vol. 2, no. 2, 2023, doi: 10.55606/jupti.v2i2.1742.
F. Defina, S. Alhamdani, A. A. Dianti, and Y. Azhar, “Kredit Menggunakan Metode K-Means Clustering,” MEI, 2021. doi: 10.14421/jiska.2021.6.2.70-77.
M. Jordy, A. Triayudi, and I. D. Sholihati, “Analisis Segmentasi Recency dan Customer Value Pada AVANA Indonesia Dengan Algoritma K-Means dan Model RFM (Recency, Frequency and Monetary),” Journal of Information System Research (JOSH), vol. 4, no. 2, pp. 579–589, Jan. 2023, doi: 10.47065/josh.v4i2.2950.
N. R. Dwitya and W. Istiono, “Consumer Segmentation of Emina Cosmetics Optimal and Relevant Approach of RFM+Lifetime Analysis,” SAGA: Journal of Technology and Information Systems, 2023, doi: 10.58905/SAGA.vol1i3.171.
R. W. Sembiring Brahmana, F. A. Mohammed, and K. Chairuang, “Customer Segmentation Based on RFM Model Using K-Means, K-Medoids, and DBSCAN Methods,” Lontar Komputer?: Jurnal Ilmiah Teknologi Informasi, vol. 11, no. 1, p. 32, Apr. 2020, doi: 10.24843/lkjiti.2020.v11.i01.p04.
A. Alamsyah et al., “Customer Segmentation Using the Integration of the Recency Frequency Monetary Model and the K-Means Cluster Algorithm,” Scientific Journal of Informatics, vol. 9, no. 2, pp. 189–196, Nov. 2022, doi: 10.15294/sji.v9i2.39437.