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

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.