Klasterisasi Loyalitas Pelanggan Berdasarkan Analisis Rfm Menggunakan Gaussian Mixture Model (GMM)

Abstract

Pelanggan memiliki peran yang sangat penting dalam keberlangsungan sebuah bisnis. Dimana, dengan adanya pelanggan, bisnis dapat terus berkembang dan beradaptasi dengan kebutuhan pasar yang dinamis. Oleh karena itu, pemahaman tentang tingkat loyalitas pelanggan menjadi hal yang perlu dipertimbangkan bagi perusahaan untuk meningkatkan strategi pemasaran. Penelitian ini bertujuan untuk mengelompokkan pelanggan yang loyal berdasarkan pendekatan RFM (Recency, Frequency, Monetary). Metode yang digunakan dalam penelitian ini adalah algoritma Gaussian Mixture Model (GMM), yang diimplementasikan dengan variasi konfigurasi covariance untuk meningkatkan akurasi pengelompokan. Data yang digunakan dalam penelitian ini merupakan data primer dan sekunder, yang melalui serangkaian tahapan prapemrosesan meliputi pemilihan atribut, pemeriksaan kualitas data, serta normalisasi. Hasil analisis dengan data primer menunjukkan bahwa tipe covariance spherical menghasilkan nilai silhouette score sebesar 0.8528 dan data sekunder dengan tipe covariance spherical menghasilkan nilai silhouette score sebesar 0,8101, yang menunjukkan hasil clustering yang lebih baik dibandingkan dengan tipe covariance lainnya. Model klastering yang dihasilkan membagi pelanggan menjadi 5 kalster pada data primer dan 11 klaster pada data sekunder secara umum. Analisis lebih lanjut terhadap ketiga dimensi RFM menunjukkan bahwa terdapat 5 klaster dengan nilai recency terendah, yang berarti klaster-klaster ini terdiri dari pelanggan yang baru saja melakukan transaksi. Untuk frequency, terdapat 5 klaster dengan nilai tertinggi, menandakan intensitas pembelian yang tinggi. Sedangkan untuk monetary, 4 klaster memiliki nilai tertinggi dalam jumlah transaksi dari penelitian dengan menggunakan data sekunder. Hasil dari penelitian ini memberikan wawasan berharga bagi pemilik bisnis untuk merumuskan strategi pemasaran yang lebih tepat sasaran dan efektif dalam mempertahankan pelanggan. Customers play a crucial role in the sustainability of a business. With customers, businesses can continue to grow and adapt to dynamic market needs. Therefore, understanding the level of customer loyalty is crucial for companies to improve their marketing strategies. This study aims to classify loyal customers based on the RFM (Recency, Frequency, Monetary) approach. The method used in this study is the Gaussian Mixture Model (GMM) algorithm, implemented with a variety of covariance configurations to improve clustering accuracy. The data used in this study are primary and secondary data, which go through a series of preprocessing stages including attribute selection, data quality checks, and normalization. The analysis results with primary data show that the spherical covariance type produces a silhouette score of 0.8528, and secondary data with the spherical covariance type produces a silhouette score of 0.8101, indicating better clustering results compared to other covariance types. The resulting clustering model divides customers into 5 clusters in primary data and 11 clusters in secondary data in general. Further analysis of the three RFM dimensions revealed five clusters with the lowest recency values, indicating customers who had recently made a transaction. For frequency, five clusters had the highest values, indicating high purchasing intensity. For monetary value, four clusters had the highest transaction volumes, based on research using secondary data. The results of this study provide valuable insights for business owners in formulating more targeted and effective marketing strategies to retain customers.