Analisis Loyalitas Agen Biasa dan Agenstok Menggunakan Model RFM (Recency,Frequency, Monetery) dan Algoritma K-Medoids pada BC 4 HPAI Pekanbaru

Authors

  • Siti Monalisa UIN Suska Riau
  • Imelda Erza UIN Suska Riau

DOI:

https://doi.org/10.33633/tc.v20i1.4219

Keywords:

Agen Biasa, Agenstok, Algoritma K-Medoids, DBI, RFM

Abstract

 PT.Herbal Penawar Alwahida Indonesia (HPAI) merupakan perusahaan bisnis halal network di Indonesia yang fokus pada produk-produk herbal. Salah satu BC (Bussines center) HPAI yang terdapat di pekanbaru yaitu,BC 4 HPAI beralamat dijalan Melati III No.4 Bina Widya,Panam. Berdasarkan obeservasi yang dilakukan, data transaksi pelanggan pada tahun 2019 di BC 4 mencapai 1000-2000 transaksi setiap bulannya, yang terdiri dari data agen biasa dan agenstok. Berdasarkan wawancara dengan owner BC 4 HPAI Pekanbaru, masalah yang terjadi yaitu pihak BC 4 HPAI belum bisa mendapatkan informasi dari setiap data agen biasa dan agen stok,mana pelanggan yang potensial dan loyal terhadap perusahaan. Sehingga menyebabkan pihak BC akan sulit untuk menentukan strategi pemasaran yang tepat dalam memanfaatkan kesempatan atau peluang yang ada dalam pemasaran. Mengatasi permasalahan tersebut, penelitian  ini menerapkan strategi customer Relationship Management (CRM) yaitu menggunakan Metode RFM untuk mengetahui karakteristik atau prilaku agen biasa dan agenstok kemudian Clustering menggunakan Agoritma K-Medoids untuk pengelompokan sesuai kemiripan karakteristik agenbiasa dan agenstok yang telah didapat sebelumnya. Dengan percobaan 2 cluster sampai dengan 7 cluster, menghasilkan 2 Cluster Terbaik agen biasa dan 3 Cluster Terbaik agenstok berdasarkan DBI (Davies Bouldin Index). Dengan masing-masing nilai DBI terbaik 0.228 agen biasa dan 0.234 agenstok. Hasil tertinggi 2 cluster agen biasa berada pada cluster 1 dengan tipe pelanggan Superstar yang memiliki 472 customer loyal. dan hasil tertinggi dari 3 cluster agenstok berada pada cluster 3 dengan tipe pelanggan Superstar yang memiliki 60 customer loyal.   

References

Putra, A. S. D., dan Rumyeni, R. (2018). Komunikasi persuasif pt herba penawar alwahida indonesia (hpai) dalam membangun jaringan di kota pekanbaru (Unpublished doctoral dissertation).

Astuti, N. P. M. D., Putra, I. K. M., Kasiani, K., Yudistira, C. G. P. A., dan Widiantara, I. M. (2020). Implikasi penerapan customer relationship marketing dan digital marketing terhadap kepuasan konsumen pada pt gapura angkasa joumpa denpasar. Ganec Swara, 14(1), 506–514.

Cheng, C.-H., dan Chen, Y.-S. (2009). Classifying the segmentation of customer value via rfm model and rs theory. Expert systems with applications, 36(3), 4176–4184.

Buttle, F. (2008). A crm perspective on nation branding. Nation Branding: Concepts, Issues, Practices, Butterworth-Heinemann, Burlington, MA, 66–74.

Yohana, N. (2011). Data mining dengan metode fuzzy untuk customer relationship management (crm) pada perusahaan retail. Udayana University, Bali, Indonesia.

Hardiani, T., Sulistyo, S., dan Hartanto, R. (2015). Segmentasi nasabah tabungan menggunakan model rfm (recency, frequency, monetary) dan k-means pada lembaga keuangan mikro. Dalam Seminar nasional teknologi informasi dan komunikasi terapan (semantik) (hal. 463468).

Aktepe, A., Ers¨oz, S., dan Toklu, B. (2015). Customer satisfaction and loyalty analysis with classi?cation algorithms and structural equation modeling. Computers & Industrial Engineering, 86, 95–106.

Sudriyanto,S. (2017). Clustering loyalitas pelanggan dengan metode rfm (recency, frequency, monetary) dan fuzzy c-means. Prosiding SNATIF, 815–822.

Velmurugan, T. (2012). Ef?ciency of k-means and k-medoids algorithms for clustering arbitrary data points. Int. J. Computer Technology & Applications, 3(5), 1758–1764.

Tsiptsis, K. K., dan Chorianopoulos, A. (2011). Data mining techniques in crm: inside customer segmentation. John Wiley & Sons.

Yulianto, dan Hananto, R. (2018). Panduan sukses referensi utama produk halal dunia.

Prasetyo,E. (2014). Data mining-mengelola data menjadi informasi menggunakan matlab.

Lee, Y. J. (2014). Privacy-preserving data mining for personalized marketing. International Journal of Computer Communications and Networks (IJCCN), 4(1).

Downloads

Published

2021-02-09