Perbandingan K-Means K-Medoids dan Fuzzy C-Means untuk Pengelompokan Data Pelanggan dengan Model LRFM
Comparison K-Means K-Medoids and Fuzzy C-Means for Clustering Customer Data with LRFM Model
DOI:
https://doi.org/10.57152/malcom.v2i2.442Keywords:
Fuzzy C-Means, K-Means, K-Medoids, PerbandinganAbstract
Indonesia memiliki pasar yang potensial untuk perusahaan kosmetik karena memiliki jumlah penduduk yang berjumlah hampir 270 juta jiwa. Pertumbuhan industri kosmetik di Indonesia mengalami perkembangan yang pesat dengan persentase pertumbuhan 5,59% pada bulan agustus 2021 silam. Dengan pertumbuhan tersebut perusahaan kosmetik memiliki reseller yang tersebar diseluruh daerah Indonesia. Penelitian ini menggunakan data pelanggan dari salah satu reseller perusahaan kecantikan. Pelanggan mana yang sering berbelanja, produk mana yang sering mereka beli, dan klien mana yang paling setia adalah masalah umum yang sering muncul saat menjual produk kecantikan. Panjang, Kekinian, Frekuensi, dan Moneter, kadang-kadang dikenal sebagai LRFM, adalah teknik yang digunakan untuk menghitung nilai pelanggan berdasarkan riwayat transaksi mereka. Penelitian ini dilakukan untuk mengelompokan data pelanggan berdasarkan rentang waktu dan jumlah transaksi pembelian menggunakan algoritma clustering yaitu, k-means, k-medoids, dan fuzzy c-means. Harapannya, penelitian ini dapat ditentukan algoritma terbaik dalam pengelompokan data dengan membandingkan algoritma clustering K-Means, K-Medoids, dan Fuzzy C-Means dengan model LRFM. Hasil penelitian menunjukkan bahwa dalam pengelompokan data pelanggan dengan model LRFM algoritma K-Means lebih unggul dibanding K-Medoids dan Fuzzy C-means pada mengklasterisasi data pelanggan, dengan dibuktikannya pada nilai validitas DBI terbaik dengan perolehan nilai yaitu 0,167 pada jumlah klaster yaitu 6.
References
“Badan Pusat Statistik.” https://sulut.bps.go.id/indicator/12/958/1/jumlah-penduduk-menurut-provinsi-di-indonesia.html (accessed Jun. 18, 2022).
“Analisis Strategi Pemasaran Produk Kosmetik Wardah dengan Pendekatan SWOT-AHP (ANALYTIC HIERARCHY PROCESS),” JURNAL SAINS DAN SENI ITS, vol. 6, p. 1, 2017.
D. Wulan Amalia and D. Amanda Zuliestiana, “PENGARUH ELECTRONIC WORD OF MOUTH DI MEDIA SOSIAL YOUTUBE TERHADAP MINAT BELI PRODUK KOSMETIK NEW WARDAH EXCLUSIVE SERIES (STUDI KASUS KOTA-KOTA DI JAWA BARAT) Jurnal Mitra Manajemen (JMM Online),” Destiana Wulan Amalia, vol. 1, no. 6, pp. 871–884, 2020.
P. Ilmu Komunikasi and J. Ilmu Sosial, “PENGARUH AKTIVASI MEREK MELALUI INSTAGRAM @MSGLOWBEAUTY TERHADAP KETERLIBATAN RESELLER PADA PRODUK MS.GLOW Deby Nur Winda Sari,” 2021.
“Pengaruh Giveaway, Price Discount, dan Reseller terhadap Peningkatan Penjualan Ms.”.
M. I. Chanafi, D. P. Hapsari, R. K. Hapsari, and T. Indriyani, “Implementasi Algoritma Clustering Untuk Pengelompokan Pelanggan Retail Berdasarkan Skor Recency, Frequency, Dan Monetary.”
A. Jaini, Mustakim, A. Weni Syaputri, T. Qurahman, S. Thaufik Rizaldi, P. H. Studi Sistem Informasi Fakultas Sains dan Teknologi Universitas Islam Negeri Sultan Syarif Kasim Riau Jl Soebrantas Km, and P. Pekanbaru Riau, “Perbandingan Algoritma Fuzzy C-Means dan K-Medoids untuk Pengelompokan Data Penjualan pada 212 Mart,” 2020.
Sarah S and Mustakim, “Analisis Penerimaan Vaksin Covid-19 Berbasis Fuzzy Clustering Machine Learning di Provinsi Riau,” Jurnal Riset Komputer), vol. 8, no. 6, pp. 2407–389, 2021, doi: 10.30865/jurikom.v8i6.3636.
U. Rizkya Gurning and Mustakim, “Penerapan Algoritma K-Means dan K-Medoid untuk Pengelompokkan Data Pasien Covid-19,” Technology and Science (BITS), vol. 3, no. 1, 2021, doi: 10.47065/bits.v3i1.1003.
Ni Putu Viona Viandari, I Made Agus Dwi Suarjaya, and I Nyoman Piarsa, “Pemetaan Pelanggan dengan LRFM dan Two Stage Clustering untuk Memenuhi Strategi Pengelolaan,” Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi), vol. 6, no. 1, pp. 130–139, Feb. 2022, doi: 10.29207/resti.v6i1.3778.
E. Triwira Lestari, Mustakim and J. Adhiva, “SENTIMAS: Seminar Nasional Penelitian dan Pengabdian Masyarakat Implementation Naive Bayes Classifier Algorithm and K-Nearest Neighbor For Obesity Nutritional Status of Children with Disabilities Implementasi Algoritma Naive Bayes Classifier dan K-Nearest Neighbor Untuk Klasifiasi Status Gizi Obesitas Anak Disabilitas”, [Online]. Available: https://journal.irpi.or.id/index.php/sentimas
R. Kesuma Dinata, N. Hasdyna, and N. Azizah, “Analisis K-Means Clustering pada Data Sepeda Motor,” 2020.
S. Sindi et al., “ANALISIS ALGORITMA K-MEDOIDS CLUSTERING DALAM PENGELOMPOKAN PENYEBARAN COVID-19 DI INDONESIA,” (JurTI) Jurnal Teknologi Informasi, vol. 4, no. 1, pp. 166–173, Jun. 2020, doi: 10.36294/JURTI.V4I1.1296.
S. Fitri Octavia and M. Mustakim, “Penerapan K-Means dan Fuzzy C-Means untuk Pengelompokan Data Kasus Covid-19 di Kabupaten Indragiri Hilir,” Technology and Science (BITS), vol. 3, no. 2, 2021, doi: 10.47065/bits.v3i2.1005.
C. Jamunadevi, S. Tamil Selvan, M. Govindarajan, C. Saravanan, and B. R. Janaki Raman, “LRFM model for customer purchase behaviour using K-Means algorithm,” IOP Conf Ser Mater Sci Eng, vol. 1055, no. 1, p. 012111, Feb. 2021, doi: 10.1088/1757-899x/1055/1/012111.
F. Marisa, S. S. S. Ahmad, Z. I. M. Yusof, Fachrudin, and T. M. A. Aziz, “Segmentation model of customer lifetime value in Small and Medium Enterprise (SMEs) using K-Means Clustering and LRFM model,” International Journal of Integrated Engineering, vol. 11, no. 3, pp. 169–180, 2019, doi: 10.30880/ijie.2019.11.03.018.
S. H. Chao, M. K. Chen, and H. H. Wu, “An LRFM Model to Analyze Outpatient Loyalty From a Medical Center in Taiwan,” Sage Open, vol. 11, no. 3, 2021, doi: 10.1177/21582440211031899.
