PENERAPAN METODE K-MEANS DENGAN METODE ELBOW UNTUK SEGMENTASI PELANGGAN MENGGUNAKAN MODEL RFM(Recency, Frequency, & Monetary)
Segmentasi pelanggan pada perusahaan merupakan tindakan yang dapat mempermudah perusahaan dalam mengambil keputusan ke depan. Pada penelitian ini data yang digunakan berasal dari perusahaan otomotif, PT Hasjrat Abadi Ambon. Data yang dipakai terdiri dari data transaksi dan pelanggan kendaraan bermotor. Penerapan model RFM dapat mengelompokkan pelanggan-pelanggan berdasarkan nilai variabel Recency, Frequency dan Monetary. Hasil dari model RFM akan memperoleh status baru pada tiap pelanggan dari skala terbaik sampai terburuk. Pelanggan yang telah memiliki status akan dikelompokkan menggunakan metode K-Means menjadi beberapa Cluster(kelompok). Dalam menentukan jumlah Cluster yang optimal maka diterapkan metode Elbow. Algoritma yang digunakan dalam pembentukan Cluster terdiri dari Euclidean Distance dan Manhattan Distance. Kedua algoritma akan dibandingkan kualitas pembentukan Clusternya menggunakan metode Silhoutte Coefficient. Hasil yang diberikan pada penelitian ini berupa data yang terbagi atas 5 kelompok dengan dilakukannya lima kali pengujian untuk menentukan centroid yang unggul. Cluster yang unggul akan dibuatkan visualisasi datanya untuk memudahkan perusahaan dalam mengambil keputusan. Berdasarkan penerapan Silhoutte Coefficient, algoritma yang lebih unggul yaitu Manhattan Distance dengan nilai s(i) sebesar 0.152695. Customer segmentation at the company is an action that can facilitate the company in making decisions going forward. In this study the data used came from an automotive company, PT Hasjrat Abadi Ambon. The data used consists of transaction data and motor vehicle customers. The application of the RFM model can classify customers based on the value of the Recency, Frequency and Monetary variables. The results of the RFM model will obtain a new status on each customer from the best to the worst scale. Customers who already have status will be grouped using the K-Means method into several Clusters (groups). In determining the optimal number of Clusters, the Elbow method is applied. The algorithm used in Cluster formation consists of Euclidean Distance and Manhattan Distance. The two algorithms will be compared the quality of the Cluster formation using the Silhoutte Coefficient method. The results given in this study are in the form of data divided into 5 groups by conducting five tests to determine superior centroids. Excellent clusters will be made of data visualization to facilitate the company in making decisions. Based on the application of Silhoutte Coefficient, a superior algorithm is Manhattan Distance with value s(i) : 0.152695.