Penerapan Algoritma Klasifikasi untuk Menentukan Segmentasi Pelanggan Berbasis Machine Learning
Abstract
Customer segmentation is a very important marketing concept in the context of relationship marketing that can improve understanding of customer needs to create a more effective and personalized marketing strategy. Therefore, an appropriate analysis is needed to determine customer segmentation according to the existing characteristics. In this research, three classification algorithms are used to identify hidden patterns and automatically segment customers: Random Forest, Support Vector Machine (SVM), and
Gradient Boosting. The results show that customer segmentation successfully divides consumers into four different groups: A, B, C, and D, each with unique characteristics. The Gradient Boosting model has the best performance in cross-validation with 54% accuracy, although all models show a decrease in accuracy on test data. The customer segmentation results in this study can provide valuable insights for automotive companies to design more targeted and effective marketing strategies to increase profitability.
Abstrak (Indonesia):
Segmentasi pelanggan merupakan konsep pemasaran yang sangat penting dalam konteks relationship marketing yang dapat meningkatkan pemahaman tentang kebutuhan pelanggan yang lebih baik untuk menciptakan strategi pemasaran yang lebih efektif dan personal. Oleh karena itu dibutuhkan analisis yang tepat sesuai karakteristik yang ada untuk menentukan segmentasi pelanggan tersebut. Pada penelitian ini, untuk mengidentifikasi pola tersembunyi dan secara otomatis mengelompokkan pelanggan digunakan tiga algoritma klasifikasi yaitu Random Forest, Support Vector Machine (SVM), dan Gradient Boosting. Hasilnya menunjukkan bahwa segmentasi pelanggan berhasil membagi konsumen ke dalam empat kelompok yang berbeda: A, B, C, dan D, masing-masing dengan karakteristik yang unik. Model Gradient Boosting memiliki kinerja terbaik dalam validasi silang dengan akurasi 54%, meskipun semua model menunjukkan penurunan akurasi pada data uji. Hasil segmentasi pelanggan pada penelitian ini dapat memberikan wawasan yang berharga bagi perusahaan otomotif untuk merancang strategi pemasaran yang lebih tepat sasaran dan efektif untuk meningkatkan profitabilitas.
Keywords
Full Text:
PDFReferences
Abdullah, K., Jannah, M., Aiman, U., Hasda, S., Fadilla, Z., Taqwin, Masita, Ardiawan, K. N., & Sari., M. E. (2021). Metodologi Penelitian Kuantitatif Metodologi Penelitian Kuantitatif. In M. P. Nanda Saputra (Ed.), Yayasan Penerbit Muhammad Zani.
Afdhal, I., Kurniawan, R., Iskandar, I., Salambue, R., Budianita, E., & Syafria, F. (2022). Penerapan Algoritma Random Forest Untuk Analisis Sentimen Komentar Di YouTube Tentang Islamofobia. Jurnal Nasional Komputasi Dan Teknologi Informasi, 5(1), 122–130.
Harani, N. H., Prianto, C., & Nugraha, F. A. (2020). Segmentasi Pelanggan Produk Digital Service Indihome Menggunakan Algoritma K-Means Berbasis Python. Jurnal Manajemen Informatika (JAMIKA), 10(2), 133–146. https://doi.org/10.34010/jamika.v10i2.2683
Kraugusteeliana, K., Muis, S., Nugroho, F., Karim, A., & Siagian, Y. (2023). Data Mining Klasifikasi Breast Cancer Menerapkan Algoritma Gradient Boosted Trees. JURNAL MEDIA INFORMATIKA BUDIDARMA Volume 7, Nomor 2, April 2023, Page 881-890, 7(April), 881–890. https://doi.org/10.30865/mib.v7i2.6095
Kurniawan, I., Buani, D. C. P., Abdussomad, A., Apriliah, W., & Saputra, R. A. (2023). Implementasi Algoritma Random Forest Untuk Menentukan Penerima Bantuan Raskin. Jurnal Teknologi Informasi Dan Ilmu Komputer, 10(2), 421–428. https://doi.org/10.25126/jtiik.20231026225
Lumbanraja, F. R., Ira Hariati, B. S., Kurniawan, D., & Aristoteles, A. (2020). Prediksi Jumlah Penderita Penyakit Tuberkulosis Di Kota Bandar Lampung Menggunakan Metode Svm (Support Vector Machine). Kumpulan Jurnal Ilmu Komputer (KLIK), 7(3), 320–330.
Puspita, A. C., Setiawan, B., Ayu, C., Heikal, J., & Bakrie, U. (2024). Analisis Preferensi Konsumen dan Profil Pembeli di Industri Otomotif : Studi Kasus Pembelian Kendaraan di Wilayah Jabodetabek. Jurnal Mahasiswa Ekonomi & Bisnis, 4(3), 1036–1050.
Suryana, S. E., Warsito, B., & Suparti, S. (2021). Penerapan Gradient Boosting Dengan Hyperopt Untuk Memprediksi Keberhasilan Telemarketing Bank. Jurnal Gaussian, 10(4), 617–623. https://doi.org/10.14710/j.gauss.v10i4.31335
Utomo, D. P., & Mesran, M. (2020). Analisis Komparasi Metode Klasifikasi Data Mining dan Reduksi Atribut Pada Data Set Penyakit Jantung. Jurnal Media Informatika Budidarma, 4(2), 437. https://doi.org/10.30865/mib.v4i2.2080
Widiyanto, A. T., & Witanti, A. (2021). Segmentasi Pelanggan Berdasarkan Analisis RFM Menggunakan Algoritma K-Means Sebagai Dasar Strategi Pemasaran (Studi Kasus PT Coversuper Indonesia Global). KONSTELASI: Konvergensi Teknologi Dan Sistem Informasi, 1(1), 204–215. https://doi.org/10.24002/konstelasi.v1i1.4293
Zhao, Y., Nasrullah, Z., & Li, Z. (2019). PyOD: A python toolbox for scalable outlier detection. Journal of Machine Learning Research, 20, 1–7.
Givari, M. R., Sulaeman, M. R., & Umaidah, Y. (2022). Perbandingan Algoritma SVM, Random Forest Dan XGBoost Untuk Penentuan Persetujuan Pengajuan Kredit. Nuansa Informatika, 16(1), 141–149. https://doi.org/10.25134/nuansa.v16i1.5406
Riyyasy, Azfa, Rasikh, M., Aghniya, Nouval, W., & Tantyoko, H. (2023). Penerapan Algoritma Machine Learning Untuk Memprediksi Term Deposit Nasabah Perbankan. Journal Informatic and Information Technology, 2(3), 145–156. https://journal.ittelkom-pwt.ac.id/index.php/ledger/article/view/1416
S. Aryana, “Studi Literatur: Analisis Penerapan dan Pengembangan Penilaian Autentik Kurikulum 2013 pada Jurnal Nasional dan Internasional,” Pros. Semin. Nas. Pascasarj., vol. 4, no. 1, pp. 368–374, 2021.
G. S. G. Prawira and H. Setiaji, “Penerapan Data Transformation Pada Database Sistem Informasi Manajemen Rumah Sakit,” Sintak, vol. 3, no. 0 SE- Vol 3 (2019), pp. 1–5, 2019, [Online]. Available: https://unisbank.ac.id/ojs/index.php/sintak/article/ view/7595
M. D. Muafa, “Pengembangan Aplikasi Berbasis Web dengan Rshiny untuk Data Klasifikasi Menggunakan Metode Naive Bayes,” Automata, vol. 3, no. 1, p. 8, 2022, [Online]. Available: https://journal.uii.ac.id/AUTOMATA/article/view /21875
DOI: https://doi.org/10.15548/isrj.v4i02.9927
Refbacks
- There are currently no refbacks.
Gedung Fakultas Sains dan Teknologi
Kampus III Universitas Islam Negeri Imam Bonjol Padang
Sungai Bangek, Kec. Koto Tangah, Kota Padang, Sumatera Barat
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.