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:	Users 30 not found.
Date Deposited:	03 Sep 2024 03:19
Last Modified:	03 Sep 2024 03:19
URI:	https://repository.unas.ac.id/id/eprint/11593

Actions (login required)

View Item