Optimalisasi Segmentasi Pelanggan Menggunakan Hierarchical Clustering

Musthofa Galih Pradana; Rifka Dwi Amalia; Kharisma Wiati Gusti

doi:10.36294/jurti.v7i2.3782

Optimalisasi Segmentasi Pelanggan Menggunakan Hierarchical Clustering

Musthofa Galih Pradana, Rifka Dwi Amalia, Kharisma Wiati Gusti

Abstract

Posisi dan peranan pelanggan dalam keberlangsungan usaha bagi sebuah perusahaan sangatlah vital, hal ini menjadikan perusahaan harus bisa melakukan proses kebijakan dan keputusan yang tepat dalam mengoptimalkan segala sumber yang dimiliki untuk dapat merumuskan strategi dan kebijakan yang baik, tak terkecuali bagi perusahaan penyedia layanan pusat perbelannjaan seperti mall. Landasan kebijakan atau keputusan yang baik, pada dasarnya dapat didasarkan pada sebuah fakta ataupun data nyata yang merepresentasikan keadaan sesungguhnya. Proses perumusan dan penentuan keputusan juga dapat berimplikasi secara langsung terhadap keberlangsungan dan jalannya sebuah perusahaan. Salah satu identifikasi yang bisa dilakukan oleh perusahaan diantaranya adalah dengan melakukan segmentasi pelanggan. Proses segmentasi dapat digunakan dengan berbagai macam acuan dan juga ranah keilmuan, salah satunya dalam hal data mining atau proses ekstrasi data menjadi sesuatu yang lebih bernilai. Teknik pendekatan yang dapat diterapkan untuk strategi segmentasi salah satunya dengan proses klustering, hal ini cocok dikarenakan proses pengelompokan data yang secara tidak terbimbing dapat menjadikan dan mengekstrak informasi baru dari sekumpulan data. Salah satu algoritma yang dapat diterapkan adalah hierarchical clustering, algoritma ini menghubungkan baris atau sampel dengan konfigurasi yang sama untuk membentuk struktur pohon. Adapun hasil dari penelitian ini adalah proses penerapan algoritma hierarchical clustering dapat memberikan sudut pandang baru dari data yang ada dan berpeluang dijadikan strategi segmentasi perusahaan. Cluster yang terbentuk dari segmentasi ini sebanyak 5 cluster dengan hasil validasi terhadap penggunaan metode elbow memiliki hasil yang sama.

Keywords

Segmentasi, Pelanggan, Klustering, Pengelompokan Hierarki

Full Text:

PDF

References

Z. Ritonga, Buku Ajar Manajemen Strategi (Teori Dan Aplikasi). Deepublish, 2020.

F. Halim et al., FullBookManajemenPemasaranJasa. 2021.

GoodStats, “Menilik Perkembangan Netflix dalam 10 Tahun Terakhir,” 2023. https://data.goodstats.id/statistic/agneszefanyayonatan/menilik-perkembangan-netflix-dalam-10-tahun-terakhir-I8MRp.

KataData, “Ditinggal 200 Ribu Pelanggan, Pendapatan Netflix Masih Tumbuh.” https://databoks.katadata.co.id/datapublish/2022/04/29/ditinggal-200-ribu-pelanggan-pendapatan-netflix-masih-tumbuh.

A. Rizal, Manajemen Pemasaran. Deepublish, 2020.

R. Shanthi, Customer Relationship Management. MJP Publisher, 2019.

KataData, “Okupansi Mal Nyaris 100%, Durasi Kunjungan Mencapai Dua Jam Lebih,” KataData, 2023. https://katadata.co.id/tiakomalasari/berita/63f7124ac6cff/okupansi-mal-nyaris-100-durasi-kunjungan-mencapai-dua-jam-lebih.

M. G. Pradana and H. T. Ha, “Maximizing Strategy Improvement in Mall Customer Segmentation using K-means Clustering,” J. Appl. Data Sci., vol. 2, no. 1, pp. 19–25, 2021, doi: 10.47738/jads.v2i1.18.

M. G. Pradana, A. C. Nurcahyo, P. H. Saputro, U. A. Ata, and U. A. Ata, “Penerapan Metode K-Means Klustering untuk Menentukan Kepuasan Pelanggan,” Citec J., vol. 7, no. 1, pp. 42–50, 2020.

A. Estetikha, D. H. Gutama, and M. G. Pradana, “Comparison of K-Means Clustering & Logistic Regression on University data to differentiate between Public and Private University,” Int. J. Informatics Inf. Syst., vol. 4, no. 1, pp. 21–29, 2021.

C. Briggs, Z. Fan, and P. Andras, “Federated learning with hierarchical clustering of local updates to improve training on non-IID data,” in 2020 International Joint Conference on Neural Networks (IJCNN), Jul. 2020, pp. 1–9, doi: 10.1109/IJCNN48605.2020.9207469.

K. Zeng, M. Ning, Y. Wang, and Y. Guo, “Hierarchical Clustering With Hard-Batch Triplet Loss for Person Re-Identification,” in 2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), Jun. 2020, pp. 13654–13662, doi: 10.1109/CVPR42600.2020.01367.

L. He, B. Agard, and M. Trépanier, “A classification of public transit users with smart card data based on time series distance metrics and a hierarchical clustering method,” Transp. A Transp. Sci., vol. 16, no. 1, pp. 56–75, Dec. 2020, doi: 10.1080/23249935.2018.1479722.

S. Balakrishna, M. Thirumaran, V. K. Solanki, and E. R. Núñez-valdez, “Incremental Hierarchical Clustering driven Automatic Annotations for Unifying IoT Streaming Data,” Int. J. Interact. Multimed. Artif. Intell., vol. 6, pp. 56–70, 2020, doi: 10.9781/ijimai.2020.03.001.

M. F. Edy Irwansyah, Advanced Clustering : Teori dan Aplikasi. DEEPUBLISH, 2015.

G. E. Y. Rani Rotul Muhima, Muchamad Kurniawan, Septiyawan Rosetya Wardhana, Anton Yudhana, Sunardi, Weny Mistarika Rahmawati, Kupas Tuntas Algoritma Clustering : Konsep, Perhitungan Manual,dan Program. Andi, 2022.

DOI: https://doi.org/10.36294/jurti.v7i2.3782