Penerapan metode RFM dan k-means untuk segmentasi pelanggan di perusahaan jasa K3

Anggi Jovania Pardede, Hasrini Sari

Abstract


PT Boima Jaya Inspektindo merupakan perusahaan mikro di bidang jasa keselamatan dan kesehatan kerja (K3) yang menghadapi tantangan dalam mempertahankan pelanggan dan mencapai target pendapatan. Tingginya churn rate menunjukkan belum optimalnya strategi pemasaran dan pengelolaan pelanggan yang disebabkan oleh kurangnya pemahaman terhadap karakteristik pelanggan. Penelitian ini bertujuan untuk menerapkan metode recency, frequency, monetary (RFM) dan algoritma k-means clustering untuk melakukan segmentasi pelanggan berdasarkan data transaksi aktual. Data transaksi pelanggan mulai dari Oktober 2022 hingga Juni 2024 digunakan untuk segmentasi pelanggan tersebut. Penentuan jumlah klaster dilakukan menggunakan metode elbow, indeks silhouette, dan snake plot yang menghasilkan dua klaster optimal. Validasi hasil kemudian dilakukan dengan clustering menggunakan uji ANOVA yang menunjukkan perbedaan signifikan antar klaster pada ketiga variabel RFM. Hasil penelitian menunjukkan bahwa pelanggan PT BOIMA dapat dikelompokkan menjadi dua klaster, yaitu klaster gold yang terdiri dari pelanggan bernilai tinggi dan aktif dan klaster dormant yang terdiri dari pelanggan dengan kontribusi rendah.


References


Alamtaha, Z., Djakaria, I., & Yahya, N. I. (2023). Implementasi algoritma hierarchical clustering dan non-hierarchical clustering untuk pengelompokkan pengguna media sosial. Estimasi, 4(1), 33-43. doi:10.20956/ejsa.vi.24830

Birant, D. (2011). Data mining using RFM analysis. KnowledgeOriented Applications in Data Mining, 91-108.

Bland, J. M. (1996). Statistics Notes: The use of transformation when comparing two means. Education and Debate.

CustomerGauge. (2024). What’s the Average Churn Rate by Industry? Retrieved 7 2024, 10, from https://customergauge.com/blog/average-churn-rate-by-industry

Hair, J. F., Black, W. C., Babib, B. J., & Anderson, R. E. (2019). Multivariate Data Analysis (8 ed.). England, United Kingdom: Pearson Prentice.

Nasır, S. (2017). Customer Relationship Management Strategies in the Digital Era. Hershey: IGI Global.

Nimbalkar, D., & Shah, P. (2013). Data mining using RFM Analysis. International Journal of Scientific & Engineering Research, 4(12), 940-943.

Osborne, J. W. (2010). Improving you data transformation: Applying the Box-Cox transformation. Practical Assessment, Research & Evaluation, 15(12), 1-9.

Pramudyastuti, T. U. (2023). Pentingnya Uji Riksa Peralatan dalam Menjaga Keselamatan di Tempat Kerja. Retrieved Juni 24, 2024, from https://synergysolusi.com/artikel-qhse/pentingnya-uji-riksa-peralatan-dalam-menjaga-keselamatan-di-tempat-kerja/

Rajput, L., & Singh, S. N. (2023). Customer Segmentation of E-commerce data using K-means Clustering Algorithm. Noida: IEEE.

Saini, N., Singh, G., Sharma, K., Sarangi, P. K., & Rani, L. (2022). Customer segmentation using k-means clustering. 2022 10th International Conference on Reliability, Infocom Technologies and Optimization (Trends and Future Directions) (ICRITO). Noida. doi:10.1109/ICRITO56286.2022.9965147

Setyarso, R. (2020). Kesehatan dan Keselamatan Kerja itu Penting. Retrieved Juni 24, 2024, from https://www.djkn.kemenkeu.go.id/kpknl-cirebon/baca-artikel/13078/Kesehatan-dan-Keselamatan-Kerja-itu-Penting.html

Shahapure, K. R., & Nicholas, C. (2020). Cluster Quality Analysis Using Silhouette Score. 2020 IEEE 7th International Conference on Data Science and Advanced Analytics (DSAA). Sydney: IEEE. doi:10.1109/DSAA49011.2020.00096

Suhendry, W. (2023). Loyalitas konsumen e-commerce shopee di Kota Pontianak. Ecobisma: Jurnal Ekonomi, Bisnis, dan Manajemen, 37-51.

Tsiptsis, K., & Chorianopoulos, A. (2009). Data Mining Techniques in CRM: Inside Customer Segmentation. Chichester: John Wiley & Sons, Ltd.




DOI: https://doi.org/10.21107/simantec.v14i2.30849

Refbacks

  • There are currently no refbacks.


Copyright (c) 2026 Anggi Jovania Pardede

Indexed By