Segmentasi Pelanggan Telkomsel Menggunakan Metode Clustering Dengan Rfm Model Dan Algoritma K-means

Mufti Alie Satriawan, Rachmadita Andreswari, Oktariani Nurul Pratiwi

Abstract

Abstrak
Pengguna operator seluler di Indonesia setiap tahunnya meningkat. Pada tahun 2018, jumlah pengguna operator seluler
di Indonesia telah mencapai 254 juta pelanggan. Dari semua perusahaan operator seluler di Indonesia, PT
Telekomunikasi Selular (Telkomsel) yang memiliki jumlah pelanggan terbanyak yaitu 163 juta. Akan tetapi di tahun
tersebut, jumlah pelanggan telkomsel menurun sebanyak 17%. Hal tersebut dapat diselesaikan dengan memahami
karakteristik dari pelanggannya, sehingga dapat digunakan sebagai langkah untuk strategi pemasaran yang tepat. Salah
satu caranya adalah segmentasi pelanggan. Segmentasi pelanggan dapat dilakukan melalui pendekatan data mining
dengan teknik clustering. Tujuannya adalah segmentasi pelanggan dan mengetahui karakteristik pelanggan dari setiap
segmennya. Algoritma K-Means digunakan untuk pembentukan klaster dan pembentukan klaster didasarkan pada
Model RFM (Recency, Frequency, dan Monetary). Metode Elbow dan Davies Bouldin Index (DBI) digunakan untuk
menemukan jumlah klaster (k) yang optimal. Dan silhouette digunakan untuk pengujian kualitas klaster. Hasilnya
terdapat 4 segmen, segmen 1 yang berjumlah 412773 yang memiliki profile pelanggan baru, segmen 2 yang berjumlah
357175 yang memiliki profile pelanggan potensial, segmen 3 yang berjumlah 125909 yang memiliki profile pelanggan
loyal, dan segmen 4 yang berjumlah 16494 yang memiliki profile pelanggan perlu perhatian
Kata Kunci: Segmentasi pelanggan, data mining, clustering, model RFM, algoritma K-Means.
Abstract
Every year, cellular operator users in Indonesia are increasing. In 2018, the number of mobile operator users in
Indonesia has reached 254 million subscribers. Of all cellular operator companies in Indonesia, PT Telekomunikasi
Selular (Telkomsel) has the highest number of subscribers, namely 163 million. However, in that year, the number
of Telkomsel subscribers decreased by 17%. This can be solved by understanding the characteristics of its customers,
so that it can be used as a step for the right marketing strategy. One way is customer segmentation. Customer
segmentation can be done through a data mining approach with clustering techniques. The goal is customer
segmentation and to find out the characteristics of customers from each segment. The K-Means algorithm is used for
cluster formation and cluster formation based on the RFM (Recency, Frequency, and Monetary) Model. The Elbow
and Davies Bouldin Index (DBI) method was used to find the optimal number of clusters (k). And silhouettes are
used for cluster quality testing. The result is that there are 4 segments, segment 1, totaling 412773 with new customer
profiles, segment 2 with 357175 potential customer profiles, segment 3 totaling 125909 with loyal customer profiles,
and segment 4 with 16494 customer profiles that need attention.
Keywords : Customer segmentation, data mining, clustering, RFM models, K-Means algorithms.

Full Text:

PDF

Refbacks

  • There are currently no refbacks.
max_upload :0