Klasterisasi Customer Lifetime Value dengan Model LRFM menggunakan Algoritma K-Means
DOI:
https://doi.org/10.25126/jtiik.201852690Kata Kunci:
CLV, Dunn Index, K-Means, LRFM dan SilhoutteAbstrak
Penelitian ini bertujuan menghasilkan nilai Customer Lifetime Value (CLV) pada setiap segmen pelanggan dengan menggunakan algoritma K-means dalam melakukan klusterisasi pelanggan menggunakan model LRFM (Length, Recency, Frequency dan Monetary). Pembentukan kluster menggunakan metode validasi Dunn Index dan Silhoutte Coefficient dengan nilai 0.84 dan 0.54. Kluster yang dihasilkan pada penelitian ini berjumlah 3 kluster dengan nilai yang tertinggi pada masing-masing metode validasi Dunn Index dan Silhoutte Coefficient. Nilai CLV akan dihasilkan dengan mengalikan nilai normalisasi LRFM dengan nilai bobot LRFM dan selanjutnya dijumlahkan. Penjumlahan nilai CLV tersebut dilakukan pada masing-masing kluster yang telah terbentuk. Berdasarkan penjumlahan tersebut maka dicari ranking CLV. Ranking CLV tertinggi dihasilkan dari nilai CLV yang terbesar diantara 3 kluster tersebut. Rangking CLV tertinggi pada penelitian ini adalah kluster ke 2 yaitu 0,208 dengan simbol LRFM L↑R↓F↑M↑ dengan arti bahwa kluster ini memiliki segmen pelanggan dengan nilai loyalitas yang tinggi. Ranking CLV ke 2 adalah kluster 3 dengan nilai CLV 0,082 dan selanjutnya kluster 1 dengan nilai CLV 0,038.
Abstract
This study aims to generate the value of Customer Lifetime Value (CLV) in every customer segment by using the K-means algorithm in customer clustering with model LRFM (Length, Recency, Frequency dan Monetary). The number of clusters using the Dunn Index validation method and Silhoutte Coefficient with the value of 0.84 and 0.54. The resulting cluster is 3 cluster with the highest value on each of the Dunn Index validation methods and Silhoutte Coefficient. The CLV value will be generated by multiplying the LRFM normalization value by the LRFM weights and then they are summed. The sum of CLV values is done on each cluster that has been formed. Based on the sum then specified CLV ranking. The highest CLV ranking results from the largest CLV values among 3 clusters. The highest CLV ranking in this study is the second cluster of 0.208 with the symbol LRFM L ↑ R ↓ F ↑ M ↑ with the meaning that this cluster has a customer segment with high loyalty value. The second CLV ranking is cluster 3 with CLV value 0.082 and last rank is cluster 1 with value CLV 0,038.
Unduhan
Referensi
BERRY, M. J. A. dan LINOFF, G. S., 2008. Data Mining Techniques : For Marketing, Sales, And Customer Relationship Management. second edition.
BUTTLE, F. dan STAN, M., 2015. Customer Relationship Management. Third edit. Butterworth-Heinemann.
DUNN, J. C., 1974. Well-separated clusters and optimal fuzzy partitions, Journal of Cybernetics, 4(1), pp. 95–104. doi: 10.1080/01969727408546059.
HAN, J., KAMBER, M. dan PEI, J., 2012. Data Mining: Concepts and Techniques, San Francisco, CA, itd: Morgan Kaufmann. doi: 10.1016/B978-0-12-381479-1.00001-0.
HE, X. dan LI, C., 2016. The Research and Application of Customer Segmentation on E-commerce Websites. doi: 10.1109/ICDH.2016.47.
HOSSEINI, S. M. S., MALEKI, A. dan GHOLAMIAN, M. R., 2010. Cluster analysis using data mining approach to develop CRM methodology to assess the customer loyalty, Expert Systems with Applications. Elsevier Ltd, 37(7), pp. 5259–5264. doi: 10.1016/j.eswa.2009.12.070.
KANDEIL, D. A., SAAD, A. A. dan YOUSSEF, S. M., 2014. A two-phase clustering analysis for B2B customer segmentation, Proceedings - 2014 International Conference on Intelligent Networking and Collaborative
Systems, IEEE INCoS 2014, pp. 221–228. doi: 10.1109/INCoS.2014.49.
KHAJVAND, M., ZOLFAGHAR, K., ASHOORI, S. dan ALIZADEH, S., 2011. Estimating customer lifetime value based on RFM analysis of customer purchase behavior: Case study, Procedia Computer Science. Elsevier, 3, pp. 57–63. doi: 10.1016/j.procs.2010.12.011.
PARVANEH, A., ABBASIMEHR, H. dan TAROKH, M. J., 2012. Integrating AHP and data mining for effective retailer segmentation based on retailer lifetime value, Journal of Optimization in Industrial Engineering, 5(11), pp. 25–31.
RETNO, D., 2013. Perbandingan Metode Cluster Validity Pada, Skripsi Fakultas Matematika Dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor.
VENDRAMIN, L. AND HRUSCHKA, E. R., 2009. On the Comparison of Relative Clustering Validity Criteria. pp. 733–744.
Unduhan
Diterbitkan
Terbitan
Bagian
Lisensi
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).
