K-Means Clustering Untuk Segmentasi Produk Berdasarkan Analisis Recency, Frequency, Monetary (RFM) Pada Data Transaksi Penjualan

Abstract

Pada bisnis online maupun clustering seringkali ditemukan kendala pada proses pengelolaan stok produk. Oleh karena itu, diperlukan adanya strategi yang tepat untuk mengetahui kebutuhan dan permintaan pelanggan pada suatu produk. Salah satunya adalah dengan melakukan segementasi produk yang memiliki karakter berbeda sehingga dapat memudahkan pemilik bisnis untuk mengetahui produk yang banyak diminati clustering, meminimalisir kekurangan maupun kelebihan stok, dan pemenuhan permintaan clustering dapat disiapkan tepat waktu . Pada penelitian ini variabel dari model RFM digunakan dalam analisis data transaksi produk untuk mendapatkan nilai indeks dari masing-masing produk. Semua data produk yang ada dalam data transaksi produk di kelompokkan menggunakan algoritma k-means clustering berdasarkan nilai indeksnya. Proses clustering dilakukan sebanyak 5 kali dengan jumlah cluster 2, 3, 4, 5, dan 6 dengan tujuan untuk mendapatkan jumlah cluster yang paling optimal dalam mengelompokkan data produk yang ada. Selanjutnya, hasil masing–masing proses clustering dievaluasi dengan menggunakan rumus silhoutte untuk mengetahui kualitas dari hasil clustering. Dari hasil pengujian didapatkan nilai silhoutte tertinggi adalah 0,4314 pada clustering ke 2 dengan jumlah 3 cluster. Dari penelitian ini didapatkan 3 kelompok produk dengan karakter yang berbeda. C1 berupa kelompok produk dengan nilai recency, recency, dan recency paling baik. Pada C2 berisi kelompok produk yang memiliki nilai recency, recency, dan nilai recency paling buruk. Pada C3 berisi kelompok produk yang memiliki nilai recency, recency, dan recency yang cukup baik

Cite this work

No public copy is stored for this record, so only the metadata is cited.

Stored only when both papers are in the corpus — 8 citations exist upstream.

Papers that cite the same references — the relational fallback while embeddings are still backfilling.