Analisis Karakteristik Pelanggan Menggunakan Metode RFM-DL dan Algoritma DBSCAN

Rif’atullah, Muhammad Rhobith Ageng and Dr. Eng. Fitra Abdurrachman Bachtiar, S.T., M.Eng. and Dr. Eng. Budi Darma Setiawan, S.Kom., M.Cs. (2024) Analisis Karakteristik Pelanggan Menggunakan Metode RFM-DL dan Algoritma DBSCAN. Sarjana thesis, Universitas Brawijaya.

Abstract

Segmentasi pelanggan digunakan untuk analisis karakteristik dan perilaku pelanggan untuk menentukan strategi bisnis yang tepat. Model modifikasi RFM (recency, frequency, monetary), diversity, dan length digunakan untuk ekstraksi fitur pelanggan yang dikenal sebagai RFM-DL pada penelitian ini berdasarkan pengukuran perilaku belanja pelanggan dari data-data transaksi pelanggan. Hasil ekstraksi fitur dinormalisasi menggunakan Min-Max untuk pengoptimalan pada pemodelan. DBSCAN digunakan untuk proses pengelompokan pelanggan yang tidak menentukan jumlah klaster di awal. Parameter dari DBSCAN adalah epsilon (radius) dan minimal poin yang ditentukan berdasarkan skor Silhouette, persebaran data, dan visualisasi. Penentuan parameter epsilon juga ditentukan menggunakan analisis K-Distance. Proses pemodelan melewati proses pengurangan dimensi menggunakan Principal Component Analysis atau PCA. Parameter yang optimal DBSCAN pada epsilon adalah 0.116923 dan minimal poin empat berdasarkan analisis skor Silhouette dan visualisasi. Proses pemodelan melewati PCA menghasilkan data dengan jumlah dimensi sama dengan dua. DBSCAN menghasilkan klaster-klaster yang lebih rapat dibandingkan dengan KMeans. DBSCAN juga mampu mengenali outlier pada data dibandingkan dengan K-Means yang tidak bisa mengenali outlier. Penentuan karakteristik ditentukan berdasarkan nilai rata-rata pada setiap fitur RFM-DL. Analisis karakteristik dilakukan pada setiap cluster yang dihasilkan dari proses pemodelan menggunakan parameter yang optimal hasil dari proses pengujian. Mayoritas dari pelanggan adalah pelanggan baru yang sering melakukan transaksi dengan jumlah produk dan pengeluaran yang banyak. Kemudian, terdapat pelanggan yang sering melakukan transaksi dengan jumlah produk dan pengeluaran yang banyak, serta dengan pembelian produk yang beragam. Kelompok pelanggan dengan jumlah yang paling sedikit memiliki perilaku belanja yang sering melakukan transaksi dengan jumlah dan pengeluaran yang sedikit.

English Abstract

Customer segmentation can be utilized for analyzing the characteristics and behaviors of customers. Analyzing customer characteristics is crucial to identify potential customers and execute appropriate strategies for retaining and enhancing customer relationships. In this research, a modified RFM (recency, frequency, monetary) model, along with diversity and length features, is employed for customer feature extraction, referred to as RFM-DL. The RFM-DL model measures customer shopping behavior based on transactional data. DBSCAN (Density-Based Spatial Clustering of Applications with Noise) is employed for customer clustering without predefining the number of clusters. The extracted feature results are normalized using Min-Max for optimization in modeling. The parameters for DBSCAN, namely epsilon (radius) and minimum points, are determined based on Silhouette score, data dispersion, and visualization. The epsilon parameter is also determined through K-Distance analysis. The modeling process involves dimensionality reduction using PCA (Principal Component Analysis). The optimal parameters for DBSCAN are found to be epsilon at 0.116923 and a minimum of 4 points based on Silhouette score analysis and visualization. The modeling process includes an initial step of PCA, resulting in two-dimensional data. K-Means demonstrates modeling results with distant data points across multiple clusters, while DBSCAN produces denser clusters compared to K-Means. DBSCAN also recognize outlier compared to K-Means that cannot recognize it. Determination of characteristics is based on the average value of each RFM-DL feature. Characteristic analysis is performed on each cluster resulting from the modeling process using the optimal parameters resulting from the testing process. The majority of customers are new customers who often make transactions with a large number of products and expenses. Then, there are customers who often make transactions with a large number of products and expenses, and with a variety of product purchases. The group of customers with the least amount has a shopping behavior that often makes transactions with a small amount and spending

Item Type:	Thesis (Sarjana)
Identification Number:	0524150301
Uncontrolled Keywords:	segmentasi pelanggan, modifikasi RFM, diversity, length, DBSCAN-customer segmentation, modified RFM, diversity, length, DBSCAN
Divisions:	Fakultas Ilmu Komputer > Teknik Informatika
Depositing User:	soegeng sugeng
Date Deposited:	03 Jul 2024 08:17
Last Modified:	03 Jul 2024 08:17
URI:	http://repository.ub.ac.id/id/eprint/221900

Text (DALAM MASA EMBARGO) Muhammad Rhobith Ageng Rif’atullah.pdf Restricted to Registered users only Download (5MB)

Actions (login required)

View Item