SEGMENTASI PELANGGAN TRANSJAKARTA MENGGUNAKAN METODE CLUSTERING DENGAN MODEL RFM (RECENCY, FREQUENCY, MONETARY) DAN ALGORITMA K-MEANS

Ningsih, Trie Widiarti (2024) SEGMENTASI PELANGGAN TRANSJAKARTA MENGGUNAKAN METODE CLUSTERING DENGAN MODEL RFM (RECENCY, FREQUENCY, MONETARY) DAN ALGORITMA K-MEANS. Bachelor thesis, Universitas Nasional.

	Text COVER.pdf Download (714kB)
	Text BAB 1.pdf Download (206kB)
	Text BAB 2.pdf Download (240kB)
	Text BAB 3.pdf Download (395kB)
	Text BAB 4.pdf Download (1MB)
	Text BAB 5.pdf Download (201kB)
	Text LAMPIRAN.pdf Download (357kB)

Abstract

Penelitian ini bertujuan untuk melakukan segmentasi pelanggan Transjakarta menggunakan metode clustering dengan model RFM (Recency, Frequency, Monetary) dan algoritma K-Means. Sebagai kota metropolitan yang padat penduduk, Jakarta menghadapi tantangan besar dalam menyediakan layanan transportasi umum yang efektif. Dalam konteks ini, Transjakarta sebagai angkutan massal berbasis sistem transit menjadi solusi utama untuk memenuhi kebutuhan mobilitas penduduk Jakarta. Pemahaman yang mendalam terhadap perilaku pengguna Transjakarta menjadi hal krusial dalam meningkatkan kualitas pelayanan dan efisiensi operasional. Segmentasi pelanggan, sebagai pendekatan strategis memungkinkan pihak manajemen untuk mengidentifikasi kelompok pelanggan dengan karakteristik serupa, memahami kebutuhan, dan merancang strategi pelayanan yang lebih terfokus. Metode yang diterapkan dalam penelitian ini melibatkan model RFM, yang mempertimbangkan faktor waktu dan nilai transaksi, serta algoritma K-Means, yang membantu pembagian pelanggan ke dalam kelompok-kelompok dengan kemiripan tertentu. Penentuan jumlah cluster optimal dilakukan menggunakan metode Elbow, silhouette, dan Davies-Bouldin Index. Hasil penelitian menunjukkan skor Silhouette untuk model dengan tujuh cluster adalah 0.789, menunjukkan bahwa cluster tersebut memiliki pemisahan yang baik dan kepadatan yang memadai. Nilai Davies-Bouldin Index untuk tujuh cluster adalah 0.303, menunjukkan bahwa model dengan jumlah cluster ini memiliki rasio jarak antar cluster dan jarak dalam cluster yang optimal. Hasil analisis mengidentifikasi tujuh segmen pelanggan, yaitu Aktif, Rutin, Jarang, Sering Terjadi, Terbatas, Hemat, dan Minim. Setiap segmen memiliki karakteristik unik dalam frekuensi penggunaan, nilai transaksi, dan waktu terakhir transaksi, serta rekomendasi strategi pemasaran yang spesifik untuk meningkatkan kepuasan pelanggan dan efisiensi operasional Transjakarta. Misalnya, segmen Aktif disarankan untuk diberi program loyalitas dan promosi digital, sementara segmen Jarang dapat diaktifkan kembali melalui kampanye kesadaran dan penawaran khusus. Dengan merinci kelompok-kelompok pelanggan berdasarkan model RFM dan algoritma K-Means, Transjakarta dapat meningkatkan kepuasan pelanggan, mengoptimalkan strategi pelayanan, dan menciptakan sistem transportasi umum yang lebih adaptif serta berkelanjutan.

Item Type:	Thesis (Bachelor)
Subjects:	T Technology > T Technology (General) Z Bibliography. Library Science. Information Resources > Z665 Library Science. Information Science
Divisions:	Skripsi > Fakultas Teknologi Komunikasi dan Informatika > Program Studi Sistem Informasi
Depositing User:	Miss Rahma Rahmawati
Date Deposited:	03 Sep 2024 03:19
Last Modified:	03 Sep 2024 03:19
URI:	http://repository.unas.ac.id/id/eprint/11593

Actions (login required)

View Item