Segmentasi Pelanggan Pada Mitra RedDoorz JM Tuparev Karawang Menggunakan K-Means Clustering

Fisca Shafa Salsabila; Hannie; Billy Ibrahim Hasbi

doi:10.30998/amaj4r70

Authors

Fisca Shafa Salsabila University of Singaperbangsa Karawang Author
Hannie Author
Billy Ibrahim Hasbi Author

DOI:

https://doi.org/10.30998/amaj4r70

Keywords:

DATA MINING, CRISP-DM, K-Means Clustering, Segmentasi Pelanggan

Abstract

Penelitian ini bertujuan untuk melakukan segmentasi pelanggan pada Mitra RedDoorz JM Tuparev Karawang menggunakan algoritma K-Means Clustering dengan pendekatan CRISP-DM. Data yang digunakan berupa data transaksi pelanggan yang dianalisis berdasarkan tipe kamar, lama menginap, total harga, dan deposit. Penentuan jumlah cluster optimal dilakukan dengan metode Elbow dan Silhouette Coefficient serta Davies-Bouldin Index dengan nilai Silhouette sebesar 0,57 dan Davies-Bouldin Index sebesar 0.66 yang menunjukkan kualitas pemisahan cluster cukup baik. Hasil penelitian menghasilkan empat segmen pelanggan, yaitu Lost Customers (1.395 pelanggan), Occasional Customers (1.784 pelanggan), Potential Customers (377 pelanggan), dan Loyal Customers (18 pelanggan). Setiap cluster memiliki karakteristik transaksi yang berbeda, sehingga menunjukkan bahwa pelanggan bersifat heterogen. Hasil segmentasi divisualisasikan menggunakan Tableau untuk memperjelas distribusi pelanggan dan mendukung penyusunan strategi bisnis yang lebih tepat sasaran, seperti reaktivasi, peningkatan keterlibatan, personalisasi layanan, dan retensi pelanggan berbasis data.

Downloads

Download data is not yet available.

References

[1] H. H. Arrosyid, Z. Pratama, and G. Priambodo, “Penurunan Cancellation Rate Pada City Hotel Menggunakan Metode Issue Tree,” Jukompak (Jurnal Komputasi dan Pengemb. Apl., vol. 1, no. 1, pp. 31–39, 2025.

[2] S. Merdikawati, R. D. Oktaviani, and N. Rahmah, “Analisis Dampak Segmentasi Konsumen terhadap Strategi Pemasaran dalam Tarif Dua Bagian Menggunakan Algoritma Metaheuristics The Impact of Consumer Segmentation on Marketing Strategies in Two-Part Tariff Pricing using Metaheuristics Approach,” J. IPTEK, vol. 9, no. 1, pp. 12–18, 2025.

[3] P. Yuyu Ananda, Statistik daerah. Karawang: Badan Pusat Statistik Kabupaten/Kota, 2022.

[4] Y. Suhanda, I. Kurniati, and S. Norma, “Penerapan Metode Crisp-DM Dengan Algoritma K-Means Clustering Untuk Segmentasi Mahasiswa Berdasarkan Kualitas Akademik,” J. Teknol. Inform. dan Komput. MH Thamrin, vol. 6, no. 2, pp. 12–20, 2020.

[5] K. Z. Wijaya, A. Djunaidy, and F. Mahananto, “Segmentasi Pelanggan Menggunakan Algoritma K-Means dan Analisis RFM di Ova Gaming E-Sports Arena Kediri,” J. Tek. ITS, vol. 10, no. 2, 2021.

[6] N. H. Harani, C. Prianto, and F. A. Nugraha, “Segmentasi Pelanggan Produk Digital Service Indihome Menggunakan Algoritma K-Means Berbasis Python,” J. Manaj. Inform., vol. 10, 2020, doi: 10.34010/jamika.v10i2.

[7] M. Dr. Agus Wibowo, M.Kom, M.Si, Teori & Praktek CRM (Customer Relationship Management). 2023.

[8] C. V. Andaryani and H. Alifahmi, “Penerapan Customer Relationship Management Dalam Sosial Media Untuk Mempertahankan Loyalitas Pelanggan,” vol. 6, no. 2, pp. 404–417, 2023.

[9] K. K. N. Kartika Imasari, “PENGARUH CUSTOMER RELATIONSHIP MANAGEMENT TERHADAP LOYALITAS PELANGGAN PADA PT BCA Tbk,” vol. 10, no. 3, pp. 183–192, 2011.

[10] H. D. Wijaya, “Strategi Customer-Centric Dalam Marketing : Dampaknya Pada Loyalitas,” vol. 1, 2023.