REKOMENDASI PENDAMPINGAN BISNIS UMKM BERDASARKAN HASIL SEGMENTASI PELANGGAN MENGGUNAKAN K-MEANS CLUSTERING PADA MODEL DATA RFM

Djun, Sisilia Fhelly (2024) REKOMENDASI PENDAMPINGAN BISNIS UMKM BERDASARKAN HASIL SEGMENTASI PELANGGAN MENGGUNAKAN K-MEANS CLUSTERING PADA MODEL DATA RFM. Masters thesis, Universitas Pendidikan Ganesha.

[img] Text (2029101014-COVER)
2029101014-Cover.pdf
Download (582kB)
[img] Text (2029101014-ABSTRAK)
2029101014-Abstrak.pdf
Download (250kB)
[img] Text (2029101014-BAB 1 PENDAHULUAN)
2029101014-Bab 1 Pendahuluan.pdf
Download (155kB)
[img] Text (2029101014-BAB 2 KAJIAN TEORI)
2029101014-Bab 2 Kajian Teori.pdf
Restricted to Repository staff only
Download (446kB) | Request a copy
[img] Text (2029101014-BAB 3 METODELOGI PENELITIAN)
2029101014-Bab 3 Metodelogi Penelitian.pdf
Restricted to Repository staff only
Download (190kB) | Request a copy
[img] Text (2029101014-BAB 4 HASIL DAN PEMBAHASAN)
2029101014-Bab 4 Hasil dan Pembahasan.pdf
Restricted to Repository staff only
Download (467kB) | Request a copy
[img] Text (2029101014-BAB 5 PENUTUP)
2029101014-Bab 5 Penutup.pdf
Restricted to Repository staff only
Download (35kB) | Request a copy
[img] Text (2029101014-DAFTAR PUSTAKA)
2029101014-Daftar Pustaka.pdf
Download (146kB)
[img] Text (2029101014-LAMPIRAN)
2029101014-Lampiran.pdf
Download (2MB)

Abstract

Penelitian ini bertujuan untuk menerapkan skema penerapan bisnis intelejen untuk untuk pengembangan strategi bisnis khususnya dalam bidang pemasaran bagi UMKM dan strategi pendampingan tepat sasaran bagi lembaga pendamping UMKM. Penerapan bisnis intelejen ini adalah dengan memanfaatkan data hasil transaksi UMKM untuk mengetahui segmentasi pelanggan yang dimiliki oleh UMKM. Data transaksi diolah ke dalam bentuk model data Recency, Frequency, Monetary (RFM). Proses segmentasi pelanggan dilakukan dengan proses klasterisasi dengan algortima K-Means, dan hasil dari segmentasi ini akan menghasilkan kelompok profil dari pelanggan UMKM. Proses evaluasi dilakukan untuk mengetahui solusi optimum dari jumlah kelompok profil pelanggan yang dapat dirumuskan, dan hal ini sepadan dengan jumlah klaster optimum dari hasil klasterisasi. Hasil evaluasi menunjukkan bahwa klaster optimum adalah 3 dengan nilai Silhouette Scores terbaik yaitu 0.548, dan Davies – Blouldin Index dengan nilai 0.76. Segmen pelanggan pertama memiliki frequency belanja tertinggi dan nilai monetary tertinggi, sehingga dapat dikategorikan sebagai pelanggan aktif, segmen ini perlu diberikan layanan loyalitas khusus. Segmen kedua adalah segmen dengan jumlah pelanggan terbanyak meski frequency belanja hanya 1 – 2 kali namun rata – rata baru berbelanja atau recency sekitar 2 bulan terakhir, pelanggan segmen ini wajib diberikan layana purna jual yang baik. Segmen ketiga adalah segmen pelanggan yang waktu berbelanja sudah lebih dari 6 bulan lalu, segmen ini dapat dikatakan segmen yang menjadi prioritas akhir, untuk didekati kembali, misal dengan menggunakan teknik email marketing dan lain lain. Lembaga pendamping dapat berfokus pada pendampingan pengembangan program loyalitas dan layanan purna jual untuk membantu UMKM X ini dalam mengembangkan bisnisnya khususnya dalam hal customer relationship management.

Item Type: Thesis (Masters)
Uncontrolled Keywords: Intelejen Bisnis, Data Mining, Segmentasi Pelanggan, Klasterisasi, UMKM
Subjects: L Education > L Education (General)
Divisions: Pascasarjana > Program Studi Ilmu Komputer (S2)
Depositing User: Sisilia Fhelly Djun
Date Deposited: 28 Jun 2024 04:47
Last Modified: 28 Jun 2024 04:47
URI: http://repo.undiksha.ac.id/id/eprint/20204

Actions (login required)

View Item View Item