Segmentasi pelanggan dengan algoritma DBSCAN Clustering

Abstract

Semakin banyaknya perusahaan membuat persaingan pasar semakin ketat. Oleh karena itu, perusahaan perlu memahami perkembangan pasar agar dapat bersaing secara efektif. Untuk mencapai hal ini, perusahaan harus mengembangkan strategi bisnis yang tepat dengan memahami kebiasaan dan kebutuhan pelanggan, karena hal ini mempengaruhi kesuksesan perusahaan. Dalam pengembangan strategi bisnis yang fokus pada kebiasaan dan kebutuhan pelanggan, salah satu pendekatan yang dapat diambil adalah dengan melakukan segmentasi pelanggan. Pelanggan dengan karakteristik serupa dikelompokkan bersama, sementara pelanggan dengan karakteristik yang berbeda dikelompokkan secara terpisah. Metode yang dapat digunakan adalah clustering. Pada tugas akhir ini, segmentasi pelanggan dilakukan menggunakan data dari PT. Jamkrindo cabang Jambi, sebuah perusahaan penjaminan kredit untuk UMKM. Teknik clustering, seperti algoritma DBSCAN dan k-Means, diterapkan untuk mendapatkan model segmentasi pelanggan. Selanjutnya, model RFM (Recency, Frequency, Monetary) diintegrasikan dengan hasil clustering untuk membentuk model segmentasi pelanggan yang menyeluruh. Evaluasi model dilakukan menggunakan metode silhouette index dan davies bouldin index. Data pelanggan PT. Jamkrindo dibagi menjadi dua jenis, yaitu pelanggan PT. Jamkrindo Perorangan dan PT. Jamkrindo Badan Usaha. Dari pembuatan model, algoritma DBSCAN lebih unggul dibandingkan algoritma k-Means. Hal ini disebabkan oleh nilai evaluasi clustering yang diperoleh dari data pelanggan PT. Jamkrindo Perorangan. Algoritma DBSCAN menunjukkan nilai silhouette index yang lebih tinggi (mendekati 1) dibandingkan dengan algoritma k-Means. Nilai silhouette index untuk clustering data pelanggan PT. Jamkrindo Perorangan menggunakan DBSCAN adalah 0.598, sedangkan dengan k-Means adalah 0.550. Sementara itu, untuk data pelanggan PT. Jamkrindo Badan Usaha, pembuatan model menggunakan algoritma DBSCAN menghasilkan kelompok pelanggan yang lebih bermakna dan dapat dibedakan dengan jelas berdasarkan nilai RFM. Kemudian dilakukan analisis karakteristik lebih mendalam untuk setiap kelompok pelanggan yang terbentuk, dan diberikan rekomendasi strategi bisnis. Implementasi dari hasil penelitian ini diterapkan dalam sebuah perangkat lunak berbasis website untuk menampilkan hasil segmentasi pelanggan beserta rekomendasi strategi bisnis.