// <![CDATA[PERBANDINGAN ALGORITMA K-MEDOIDS DAN K-MEANS DALAM MELAKUKAN SEGMENTASI PELANGGAN BERDASARKAN KRITERIA RFM]]> RINI RINDIYANI / 162019024 Penulis Nur Fitrianti F. S.Kom., M.T. Dosen Pembimbing 1
Pentingnya pendekatan perusahaan terhadap pelanggan ditekankan dalam penelitian ini. Untuk mencapai hal ini, perusahaan perlu memahami perbedaan antar pelanggan dan kebutuhan mereka berdasarkan data. Customer Relationship Management (CRM) dianggap sebagai solusi yang tepat untuk menjembatani hubungan antara perusahaan dan pelanggan. Penelitian ini fokus pada segmentasi pelanggan dengan data mining dan model RFM pada dataset online retail, menggunakan metode K-Means dan K-Medoids. Tujuan penelitian adalah membandingkan performa kedua algoritma ini dengan DBI dan waktu eksekusi. Hasil penelitian menunjukkan K-Means memiliki performa yang lebih baik dibandingkan dengan K-Medoids. K-Means menghasilkan nilai DBI sebesar 0.2962 dengan waktu eksekusi 0.0960 (dengan jumlah k=3), sementara K-Medoids memiliki nilai DBI 0.8942 dengan waktu eksekusi 2.4295 (dengan jumlah k=5). Tingkatan pelanggan yang dihasilkan oleh K-Means dengan RFM rentang skor 1-3 adalah Potential Customer/Golden Customer, Lost Customer/Dormant Customer, dan Superstar/Core Customer sedangkan dengan rentang skor 1-5 menghasilkan Champion, Lost, dan Champion. Sementara itu, K-Medoids dengan RFM rentang skor 1-5 menghasilkan Lost, Loyal Customer, Champion, At Risk, dan Hibernating, dan dengan rentang skor 1-3 menghasilkan Lost Customer/Dormant Customer, Potential Customer/Golden Customer, Superstar/Core Customer, Potential Customer/Golden Customer, dan At Risk Customers/Occasional customer.