UIN SUKAUIN SUKA

JISKA (Jurnal Informatika Sunan Kalijaga)JISKA (Jurnal Informatika Sunan Kalijaga)

Peningkatan pesat dalam industri e-commerce menuntut pengembangan strategi pemasaran yang lebih cerdas dan terfokus. Salah satu pendekatan yang dapat diterapkan adalah segmentasi pelanggan menggunakan berbagai fitur, seperti Recency, Frequency, dan Monetary (RFM), serta metode klasterisasi berbasis machine learning. Tujuan dari penelitian ini adalah untuk merancang dan membangun aplikasi segmentasi pelanggan e-commerce berbasis web yang menggunakan kombinasi fitur RFM dan metode klasterisasi. Penelitian ini mengusulkan algoritma K-Means dan membandingkannya dengan K-Medoids, serta Fuzzy C Means pada dataset e-commerce yang tersedia secara publik. Hasil penelitian menunjukkan bahwa algoritma K-Means lebih unggul dibanding algoritma K-Medoids dan Fuzzy C Means (FCM) berdasarkan nilai Silhouette Coefficient sebesar 0,67305, Davies Bouldin Index sebesar 0,51435, dan Calinski Harabasz Index sebesar 5647,89. Melalui analisis dan pengujian, aplikasi yang dirancang telah terbukti efektif dalam mengelompokkan pelanggan ke dalam segmen yang relevan. Segmen tersebut dibagi menjadi tiga kategori yaitu Loyal, Need Attention, dan Promising, kemudian divisualisasikan dalam bentuk dashboard pada aplikasi berbasis web menggunakan Streamlit. Aplikasi yang dikembangkan dalam penelitian ini memungkinkan pemilik bisnis e-commerce ataupun pengguna dari bidang bisnis, divisi manajemen, dan pemasaran untuk mengelompokkan pelanggan berdasarkan data transaksi. Hasil dari penelitian ini diharapkan dapat memberikan informasi berharga kepada manajemen e-commerce maupun bidang pemasaran dalam menghadapi persaingan yang semakin ketat.

Segmentasi pelanggan menggunakan model RFM telah berhasil dijalankan, dan dari hasil analisis tersebut, beberapa kesimpulan dapat diambil.Pertama, fitur RFM (Recency, Frequency, Monetary) bersama dengan algoritma K-Means, K-Medoids, dan Fuzzy C Means berhasil menampilkan 3 segmen pelanggan utama, yaitu Loyal, Promising, dan Need Attention.Kedua, performa algoritma K-Means, K-Medoids, dan FCM dievaluasi menggunakan metrik seperti Silhouette Coefficient (SC), Davies Bouldin Index (DBI), dan Calinski Harabasz Index (CHI).Hasil evaluasi menunjukkan bahwa algoritma K-Means mencapai hasil paling optimal dengan nilai 0,67305 pada SC, 0,51435 pada DBI, dan 5647,89 pada CHI.Ketiga, output dari analisis dapat disajikan secara visual melalui aplikasi web menggunakan pustaka Streamlit, sehingga dapat memberikan dukungan untuk pengambilan keputusan yang efektif.Visualisasi menggunakan scatter plots, pie charts, dan line charts memudahkan penyajian hasil analisis dengan jelas, membantu pemahaman pola dan tren pelanggan secara intuitif.Kedepannya, optimalisasi model dan komparasi dengan model klasterisasi lain akan kami sajikan dalam penelitian selanjutnya.

Berdasarkan hasil penelitian ini, kami menyarankan untuk melakukan optimalisasi model segmentasi pelanggan e-commerce dengan mempertimbangkan faktor-faktor tambahan selain RFM, seperti demografi, perilaku online, dan preferensi produk. Selain itu, penelitian lanjutan dapat dilakukan untuk membandingkan performa algoritma klasterisasi lainnya, seperti Hierarchical Clustering atau DBSCAN, dengan algoritma K-Means yang telah digunakan. Terakhir, kami juga menyarankan untuk mengembangkan aplikasi web yang lebih interaktif dan intuitif, dengan menambahkan fitur-fitur analisis lanjutan dan visualisasi yang lebih canggih, sehingga dapat memberikan wawasan yang lebih mendalam bagi manajemen e-commerce dalam mengambil keputusan strategis.

  1. Analisis Perbandingan Pengelompokan Indeks Pembangunan Manusia Indonesia Tahun 2019 dengan Metode Partitioning... ojs.unud.ac.id/index.php/jik/article/view/69019Analisis Perbandingan Pengelompokan Indeks Pembangunan Manusia Indonesia Tahun 2019 dengan Metode Partitioning ojs unud ac index php jik article view 69019
  2. Wayback Machine. wayback machine doi.org/10.32628/IJSRST2183118Wayback Machine wayback machine doi 10 32628 IJSRST2183118
  3. RFM Model and K-Means Clustering Analysis of Transit Traveller Profiles: A Case Study. rfm model means... doi.org/10.1155/2022/1108105RFM Model and K Means Clustering Analysis of Transit Traveller Profiles A Case Study rfm model means doi 10 1155 2022 1108105
Read online
File size396.27 KB
Pages8
DMCAReport

Related /

ads-block-test