Klusterisasi Customer Lifetime Value dengan Model LRFM menggunakan Algoritma K-Means
| Main Author: | monalisa, Siti |
|---|---|
| Format: | Article info Wawancara application/pdf Journal |
| Bahasa: | ind |
| Terbitan: |
Fakultas Ilmu Komputer, Universitas Brawijaya
, 2018
|
| Subjects: | |
| Online Access: |
http://jtiik.ub.ac.id/index.php/jtiik/article/view/690 http://jtiik.ub.ac.id/index.php/jtiik/article/view/690/pdf http://jtiik.ub.ac.id/index.php/jtiik/article/downloadSuppFile/690/128 |
Daftar Isi:
- Penelitian ini bertujuan menghasilkan nilai Customer Lifetime Value (CLV) pada setiap segmen pelanggan dengan menggunakan algoritma K-means dalam melakukan klusterisasi pelanggan. Pembentukan kluster menggunakan metode validasi Dunn Index dan Silhoutte Coefficient dengan nilai 0.84 dan 0.54. Kluster yang dihasilkan berjumlah 3 dengan nilai yang tertinggi pada masing-masing metode validasi. Untuk menghasilkan nilai CLV dengan kluster yang terbaik maka nilai normalisasi LRFM setiap kluster akan dikalikan dengan nilai bobot LRFM dan dijumlahkan. Rangking CLV tertinggi akan dihasilkan dari nilai CLV yang terbesar diantara 3 kluster tersebut. Rangking CLV tertinggi pada penelitian ini berada pada kluster ke 2 dengan simbol LRFM L↑R↓F↑M↑ yang berisi segmen pelanggan yang memiliki nilai loyalitas yang tinggi.
- 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.