Segmentasi Pelanggan B2B dengan Model LRFM Menggunakan Algoritma Fuzzy C-Means pada Rotte Bakery
DOI:
https://doi.org/10.25126/jtiik.20231056569Abstrak
Pelanggan B2B (Business to Business) merupakan pelanggan yang membeli produk dari suatu perusahaan dengan tujuan menjualnya kembali kepada konsumen akhir. Oleh karena itu, pengelolaan pelanggan B2B dengan strategi yang baik dan tepat sangatlah penting. Setiap pelanggan memiliki karakteristik yang berbeda, termasuk perilaku pembelian, demografi, dan geografi. Oleh karena itu, segmentasi pelanggan perlu dilakukan untuk mengelompokkan pelanggan dengan karakteristik serupa. Dengan demikian, perusahaan dapat menerapkan strategi pemasaran yang lebih efektif dan sesuai dengan kebutuhan setiap segmen pelanggan. Dalam penelitian ini, kami menggunakan model LRFM (Length, Recency, Frequency, dan Monetary) dengan Algoritma Fuzzy C-Means untuk melakukan segmentasi pelanggan. Metode validasi Davies Bouldien-Index digunakan untuk menentukan jumlah cluster yang optimal. Hasilnya menunjukkan bahwa terdapat lima cluster yang optimal untuk pelanggan agen dengan nilai DBI sebesar 0,57, sedangkan pelanggan outlet memiliki empat cluster dengan nilai DBI sebesar 0,49. Karakteristik yang dihasilkan untuk pelanggan agen adalah Average Value Segment, New Low Value Customer, New Dormant Segment, Golden Segment, dan Superstar Segment. Sementara itu, pelanggan outlet terbagi menjadi Golden Segment, Superstar Segment, New Low Value Customer, dan Dormant Segment. Berdasarkan temuan tersebut, kami memberikan usulan strategi pemasaran yang sesuai dengan karakteristik masing-masing segmen pelanggan B2B. Usulan ini relevan baik bagi akademisi, praktisi, maupun peneliti dalam bidang pemasaran.
Abstract
B2B customers (Business to Business) are customers who purchase products from a company with the intention of reselling them to end consumers. Therefore, managing B2B customers with effective and appropriate strategies is crucial. Each customer has different characteristics, including purchasing behavior, demographics, and geography. Therefore, customer segmentation is necessary to group customers with similar characteristics. This enables companies to implement more effective and targeted marketing strategies tailored to the needs of each customer segment. In this study, we employed the LRFM model (Length, Recency, Frequency, and Monetary) with the Fuzzy C-Means algorithm for customer segmentation. The Davies Bouldien-Index validation method was used to determine the optimal number of clusters. The results revealed that there are five optimal clusters for agent customers with a DBI value of 0.57, while outlet customers have four clusters with a DBI value of 0.49. The resulting characteristics for agent customers are the Average Value Segment, New Low Value Customer, New Dormant Segment, Golden Segment, and Superstar Segment. Meanwhile, outlet customers are divided into the Golden Segment, Superstar Segment, New Low Value Customer, and Dormant Segment. Based on these findings, we propose marketing strategies that align with the characteristics of each B2B customer segment. These proposals are relevant to academics, practitioners, and researchers in the field of marketing.
Downloads
Referensi
ABDELLAHOUM, H., MOKHTARI, N., BRAHIMI, A., & BOUKRA, A., 2021. Csfcm: An improved fuzzy c-means image segmentation algorithm using a cooperative approach. Expert Systems with Applications, 166, 114063.
AMBARWARI, A., ADRIAN, Q. J., & HERDIYENI, Y., 2020. Analisis pengaruh data scaling terhadap performa algoritme machine learning untuk identifikasi tanaman. J. Rekayasa Sist. dan Teknol. Inf, 4(1), pp.117–112.
ERLANGGA, R., & AMIDI, A., 2019. Hubungan antara segmentasi demografis dengan keputusan menggunakan media sosial. Jurnal Ilmu Manajemen, 8(2), pp.50–64.
HANDIJONO, A., GUNARTO, R. I., & MARPITASA, S., 2021. Menjaga loyalitas pelanggan dengan strategi crm pada pt. desalite, pamulang. RESWARA: Jurnal Pengabdian Kepada Masyarakat, 2(1), pp.64–71.
HIDAYATULLAH, D. P. , 2017. “Analisis pemetaan pelanggan potensial menggunakan algoritma k-means dan LRFM model untuk mendukung strategi pengelolaan pelanggan (studi pada maninjau center kota malang) (Unpublished doctoral dissertation). Universitas Brawijaya”.
KAYA, Y., AVCI, D., & GEDIKPINAR, M., 2019. Comparing of k-means, k-medoids, and fuzzy c-means cluster method for analog modulation recognition. Balkan Journal of Electrical and Computer Engineering, 7(3), pp.294–299.
MARISA, F., AHMAD, S. S. S., YUSOF, Z. I. M., HUNAINI, F., & AZIZ, T. M. A., 2019. Segmentation model of customer lifetime value in small and medium enterprise (smes) using k-means clustering and lrfm model. International Journal of Integrated Engineering, 11(3).
MUNINGSIH, E., MARYANI, I., & HANDAYANI, V. R., 2021. Penerapan metode kmeans dan optimasi jumlah cluster dengan index davies bouldin untuk clustering propinsi berdasarkan potensi desa. EVOLUSI: Jurnal Sains dan Manajemen, 9(1).
NABILA, Z., ISNAIN, A. R., PERMATA, P., & ABIDIN, Z., 2021. Analisis data mining untuk clustering kasus covid-19 di provinsi lampung dengan algoritma k-means. Jurnal Teknologi Dan Sistem Informasi, 2(2), pp.100–108.
NIKMAH, T. L., HARAHAP, N. H. S., UTAMI, G. C., & RAZZAQ, M. M., 2023. Customer Segmentation Based on Loyalty Level Using K-Means and LRFM Feature Selection in Retail Online Store. Jurnal ELTIKOM: Jurnal Teknik Elektro, Teknologi Informasi dan Komputer, 7(1), pp.21-28.
NUGRAHA, R., 2022. Rancang bangun sistem crm (customer relationship management) berbasis web dengan pola mvc. JATISI (Jurnal Teknik Informatika dan Sistem Informasi), 9(1), pp.70–85.
NURSYAHFITRI, R., MAHARADJA, A. N., FARISSA, R. A., & UMAIDAH, Y., 2021. Klasifikasi penentuan jenis obat menggunakan algoritma decision tree. Jurnal Informatika Polinema, 7(3), pp.53–60.
OSMAN, A. S., 2019. Data mining techniques: Review. International Journal of Data Science Research, 2(1).
PARVANEH, A., ABBASIMEHR, H., & TAROKH, M. J., 2012. Integrating ahp and data mining for effective retailer segmentation based on retailer lifetime value.
PUTRA, A. C., HARTOMO, K. D., dkk., 2021. Optimalisasi penyaluran bantuan pemerintah untuk umkm menggunakan metode fuzzy c-means. Jurnal RESTI (Rekayasa Sistem Dan Teknologi Informasi), 5(3),pp.474–482.
SHARYANTO, S., & LESTARI, D., 2022. Penerapan Data Mining Untuk Menentukan Segmentasi Pelanggan Dengan Menggunakan Algoritma K-Means dan Model RFM Pada E-Commerce. JURIKOM (Jurnal Riset Komputer), 9(4), pp.866-871.
SIAGIAN, R., SIRAIT, P., & HALIM, A., 2022. The Implementation of K-Means dan K-Medoids Algorithm for Customer Segmentation on E-commerce Data Transactions. Sistemasi: Jurnal Sistem Informasi, 11(2), pp.260-270.
SUDRARTONO, T., 2019. Pengaruh segmentasi pasar terhadap tingkat penjualan produk fashion umk: Studi kasus pada pelaku umk bumi orange cinunuk bandung. Coopetition: Jurnal Ilmiah Manajemen, 10(1), pp.53–64.
SULISTYAWATI, A. A. D., & SADIKIN, M., 2021. Penerapan algoritma k-medoids untuk menentukan segmentasi pelanggan. Sistemasi: Jurnal Sistem Informasi, 10(3), pp.516–526.
TAQWIM, W. A., SETIAWAN, N. Y., & BACHTIAR, F. A., 2019. Analisis segmentasi pelanggan dengan rfm model pada PT. arthamas citra mandiri menggunakan metode fuzzy c-means clustering. Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-ISSN, 2548, 964X.
Unduhan
Diterbitkan
Terbitan
Bagian
Lisensi
Hak Cipta (c) 2023 Jurnal Teknologi Informasi dan Ilmu Komputer
Artikel ini berlisensiCreative Commons Attribution-ShareAlike 4.0 International License.
Artikel ini berlisensi Creative Common Attribution-ShareAlike 4.0 International (CC BY-SA 4.0)
Penulis yang menerbitkan di jurnal ini menyetujui ketentuan berikut:
- Penulis menyimpan hak cipta dan memberikan jurnal hak penerbitan pertama naskah secara simultan dengan lisensi di bawah Creative Common Attribution-ShareAlike 4.0 International (CC BY-SA 4.0) yang mengizinkan orang lain untuk berbagi pekerjaan dengan sebuah pernyataan kepenulisan pekerjaan dan penerbitan awal di jurnal ini.
- Penulis bisa memasukkan ke dalam penyusunan kontraktual tambahan terpisah untuk distribusi non ekslusif versi kaya terbitan jurnal (contoh: mempostingnya ke repositori institusional atau menerbitkannya dalam sebuah buku), dengan pengakuan penerbitan awalnya di jurnal ini.
- Penulis diizinkan dan didorong untuk mem-posting karya mereka online (contoh: di repositori institusional atau di website mereka) sebelum dan selama proses penyerahan, karena dapat mengarahkan ke pertukaran produktif, seperti halnya sitiran yang lebih awal dan lebih hebat dari karya yang diterbitkan. (Lihat Efek Akses Terbuka).
