CUSTOMER PROFILING DENGAN MENGGUNAKAN K-MEANS CLUSTERING UNTUK MENDUKUNG PENGAMBILAN KEPUTUSAN STRATEGIS DI PT PELABUHAN INDONESIA III (PERSERO)

Prosiding Seminar Nasional Manajemen Teknologi XIV Program Studi MMT-ITS, Surabaya 23 Juli 2011

CUSTOMER PROFILING DENGAN MENGGUNAKAN K-MEANS CLUSTERING UNTUK MENDUKUNG PENGAMBILAN KEPUTUSAN STRATEGIS DI PT PELABUHAN INDONESIA III (PERSERO) Dhanika Budhi Atyanto1, Mahendrawathi ER.2, dan Rully Soelaiman 3 Magister Manajemen Teknologi - Manajemen Teknologi Informasi Institut Teknologi Sepuluh Nopember Surabaya Email: [email protected], [email protected], [email protected]

ABSTRAK Indonesia merupakan negara kepulauan, memiliki wilayah perairan / laut lebih dominan dibandingkan dengan daratan, oleh karena itu ketergantungan terhadap transportasi laut relatif tinggi. Pelindo III sebagai salah satu pengelola jasa kepelabuhanan di Indonesia memiliki pelanggan yang bervariasi. Namun, hingga saat ini Pelindo III belum memiliki pemetaan dari para pelanggan tersebut sehingga belum bisa mengetahui mana pelanggan yang tergolong loyal ataupun sebaliknya. Untuk mengatasi hal ini, akan dilakukan pengelompokan pelanggan. Model yang digunakan adalah RFM dengan sejumlah atribut tambahan, dan K-Means Clustering sebagai metode pengelompokan pelanggan. Hasilnya adalah berupa profil dari kelompok pelanggan sesuai dengan karakteristik yang dimilikinya. Hasil dari penelitian ini menunjukkan bahwa jumlah cluster yang optimal secara teknis adalah dua cluster.Namun secara perspektif manajerial, empat cluster lebih menggambarkan karakteristik pelanggan. Dengan adanya customer profiling ini, diharapkan dapat menjadi langkah awal bagi manajemen dalam melakukan perencanaan pengambilan keputusan, khususnya terkait dengan CRM dan pemasaran. Dengan demikian, kualitas level-of-service perusahaan dapat lebih ditingkatkan, sehingga kredibilitas perusahaan dan kepercayaan pelanggan dapat terbangun dengan lebih baik. Kata kunci: customer profiling, RFM, CRM, K-Means, clustering, data mining, layanan kepelabuhanan, segmentasi, sistem pendukung keputusan

PENDAHULUAN Indonesia merupakan negara kepulauan, memiliki wilayah perairan / laut lebih dominan dibandingkan dengan daratan, oleh karena itu ketergantungan terhadap transportasi laut relatif tinggi terhadap transportasi laut, khususnya untuk pengiriman barang antarpulau.Dalam konteks penelitian ini, yang disebut dengan pengguna jasa atau pelanggan pelabuhan adalah perusahaan pelayaran maupun non-pelayaran, biasa disebut dengan agen pelayaran,yaitu perusahaan yang menyewa kapal dari pemilik kapal ataupun perusahaan yang menggunakan kapal miliknya sendiri untuk bertransaksi di pelabuhan. Pelindo III sebagai salah satu operator jasa kepelabuhanan berusaha menerapkan Customer Relationship Management (CRM). Konsep CRM yang telah diterapkan terkait dengan pengelolaan keluhan atau komplain dari pelanggan. Hal itu bertujuan untuk meningkatkan pelayanan kepada para customer. Namun demikian, dari sejumlah besar pelanggan yang ada, Pelindo III belum memiliki suatu pemetaan dari pelanggan tersebut.Tanpa adanya informasi ini maka Pelindo masih menerapkan perlakuan yang


sama pada seluruh pelanggan. Padahal, salah satu konsep penting dalam CRM adalah memberikan pelayanan yang berbeda kepada pelanggan sesuai dengan kontribusi mereka kepada perusahaan. Berbagai penelitian telah dilakukan untuk mengelompokkan pelanggan yang dikenal juga dengan istilah customer segmentation atau customer profiling. Konsep ini pada dasarnya berusaha mengelompokkan pelanggan berdasarkan kesamaan karakteristik tertentu yang dimilikinya. Model yang umum digunakan dalam mengelompokkan pelanggan adalah model RFM (Recency, Frequency, Monetary), yaitu melakukan pengelompokan berdasarkan waktu kunjungan terakhir pelanggan, frekuensi kunjungan, dan pendapatan yang didapat oleh perusahaan (Rud, 2001; Aggelis dkk., 2005; Chen dkk., 2009). Metode yang sering digunakan dalam pengelompokan pelanggan adalah data mining terutama dengan teknik clustering. Pada penelitan sebelumnya,(Atyanto dkk.,2011) telah berhasil membentuk RFM dengan cluster yang didefinisikan secara manual berdarkan ilustrasi dari Rud (2001) tanpa menggunakan algoritma Clustering. Oleh karena itu perlu dilakukan segmentasi dengan menggunakan teknik clustering agar proses dan hasil pengelompokannya lebih baik.Untuk mengatasi hal tersebut,maka dalam penelitian ini dilakukan pengelompokan pelanggan Pelindo dengan menggunakan K-Means Clustering. Algoritma ini memiliki keunggulan dari kecepatan & kestabilan pada hasil yang diperoleh (Mingoti dkk.,2006; Tsiptsis dkk.,2009). Pada beberapa penelitian terdahulu (Kohavi dkk.,2004; Aggelis dkk.,2005; Niyagas dkk.,2006; Golsefid dkk.,2007; Trappey dkk.,2009; Yanuarita dkk.,2011) telah dilakukan segmentasi dengan menggunakan tiga buah karakterisik, yaitu R,F,M. Beberapa literatur menyebutkan bahwa pengelompokan pelanggan dengan menggunakan tiga buah atribut dianggap terlalu sederhana dan belum terlalu merepresentasikan karakteristik pelanggan yang sebenarnya. Oleh karena itu, pada penelitian ini akan dicoba untuk melibatkan sejumlah atributtambahan selain R, F dan M. Kemudian, hasilnya akan dianalisis. Atribut tambahan tersebut adalah waktu operasional, besar muatan, serta penyelesaian piutang, dan status pembayaran. Berdasarkan uraian di atas, dibaut suatu rumusan masalah, yaitu bagaimana membuat suatu pemetaan atau profil dari pelanggan yagn dimiliki oleh perusaahan, sehingga dapat diketahui segmen dari para pelanggan tersebut berdasarkan karakteristik yang dimilikinya. Dengan demikian, tujuan dari penelitian ini adalah membuat suatu customer profile untuk mengelompokkan pelanggan berdasarkan karakteristik yang dimilikinya dengan menggunakan metode K-Means clustering. Adapun agar penelitian ini lebih terarah maka diberlakukan sejumlah batasan dan asumsi sebagai berikut: 1. Data yang digunakan pada penelitian ini merupakan data hasil ekstraksi yang berasal dari database perusahaan. 2. Pelanggan yang diteliti adalah perusahaan pelayaran ataupun non-pelayaran yang bertransaksi jasa kepelabuhanan dengan menggunakan kapal sebagai moda transportasinya di wilayah PT. Pelindo III. 3. Lokasi yang dijadikan sebagai tempat studi kasus adalah PT. Pelabuhan Indonesia III (Persero) Cabang Tanjung Perak. Manfaat yang diharapkan dari hasil penelitian ini adalah: 1. Membantu manajemen perusahaan untuk dapat mengetahui kategori dari para pengguna jasa berdasarkan hasil customer profiling.

ISBN : 978-602-97491-3-7 C-37-2


2. Memberikan informasi yang dapat digunakan untuk menentukan strategi yang berkaitan dengan peningkatan kualitas pelayanan.Beberapa hal yang dapat dilakukan diantaranya adalah: a. Prioritas pelayanan kepada pelanggan yang termasuk dalam kategoripotential customer. b. Program diskon atau potongan harga layanan bagi pelanggan yang bertransaksi dengan intensitas cukup tinggi atau rutin. c. Pemberian insentif diskon dalam transaksi selanjutnya apabila pelanggan dapat membayar dengan tepat waktu d. Customer gathering guna meningkatkan kualitas hubungan dengan pelanggan. METODE Tahapan yang dilakukan untuk mencapai tujuan dari penelitian ini adalah: 1. Identifikasi permasalahan Proses identifikasi permasalahan dilakukan melalui proses brainstorming dengan pihak manajemen perusahaan guna menentukan perumusan permasalahan, penetapan batasan, asumsi, tujuan, dan manfaat penelitian. 2. Tinjauan pustaka Tinjauan pustaka dilakukan guna mencari pustaka pendukung penelitian. Pada tahap ini dijelaskan mengenai pengenalan tentang manajemen pelabuhan, customer relationship management (CRM), RFM, data mining, cluster-analysis, dan K-Measn Clustering. 3. Pengumpulan data Teknik yang digunakan dalam pengumpulan data adalah dengan wawancara dan dokumentasi data.Wawancara dilakukan terhadap manajemen di bidang teknologi informasi dan manajemen di bidang pemasaran.Hasil dari wawancara ini digunakan untuk mengidentifikasi atribut yang akan digunakan serta jenis data yang diperlukan dalam melakukan customer profiling.Atribut tersebut dikelompokkan menjadi 2, yaitu: - Atribut dasar Atribut dasar terdiri dari recency, frequency, dan monetary (RFM). Hasil penelitian menunjukkan bahwa sejumlah atribut ini telah diterapkan oleh berbagai industri dan analis dalam melakukan segmentasi pelanggan (Berry dkk.,2000; Rud, 2001; Mason, 2003; Kohavi, dkk., 2004; Aggelis dkk., 2005; Chen dkk.,2005, Niyagas dkk.,2006; McCarty, 2007; Olson dkk.,2007; Sparling, 2008; Cheng dkk.,2009; Yanuarita dkk.,2011). - Atribut tambahan Atribut tambahan yang digunakan adalah waktu operasional, besar muatan kapal, sisa piutang pelanggan, waktu pelayanan, serta status pembayaran. Proses dokumentasi data dilakukan setelah didapat atribut-atribut yang diperlukan. Oleh karena itu, tujuan dari dokumentasi data adalah untuk memperoleh data yang diperlukan sebagai input dalam proses clustering. 4. Pengolahan data dan implementasi Tahap ini merupakan inti dari penelitian ini, yaitu mengolah data yang didapat dan melakukan implementasi clustering untuk membentuk customer profile. Sistematika dari tahap ini adalah: 1) Memperoleh data mentah yang didapat dari database perusahaan

ISBN : 978-602-97491-3-7 C-37-3


2) Praproses data a. Dekomposisi dan integrasi data dari data mentah b. Data cleaning: membersihkan data dari null-values c. Reduksi data: melakukan eliminasi terhadapoutliers data d. Transformasi data: standardisasi dormat data sesuai dengan format atribut untuk keperluan proses clustering 3) Uji korelasi antar-atribut Tahap ini dilakukan guna mengetahui tingkat signifikansi dari ketujuh atribut yang ada. Pada penelitian ini digunakan SPSS 17 sebagai alat bantu dalam melakukan uji korelasi antar-atribut. Hasil dari uji korelasi ditunjukkan pada gambar 2. Hasil uji korelasi dari gambar 2 menunjukkan bahwa semua atribut memiliki korelasi yang cukup signifikan dengan signifikasi < 0,05. Dengan demikian, ketujuh buah atribut tersebut dapat dikatakan layak untuk digunakan sebagai atribut dalam clustering.

Gambar-1: Hasil Uji Korelasi

4) Data clustering Tahap ini merupakan tahap inti dari bab pengolahan data dan implementasi. Pada tahap ini akan digunakan suatu tools: Rapidmineruntuk melakukan clustering,yaitu open-source tools berbasis bahasa pemrograman java yang digunakan khusus untuk analisis data mining, text-mining, serta analisis prediktif. 5. Ujicoba dan analisis Pada tahap ini, dilakukan ujicoba terhadap hasil clustering dengan menggunakan K-Means. Ujicoba ini menggunakan.beberapa skenario. Sejumlah skenario tersebut diantaranya adalah variasi jumlah cluster / segmen, serta variasi dari jumlah atribut yang digunakan. Kemudian, fokus analisis hasil adalah pada pencarian cluster yang optimalserta analisis karakteristik pelanggan. 6. Penutup Pada tahap ini diambil suatu kesimpulan yang didapat dari penelitian ini dan saran untuk pengembangan penelitian selanjutnya.

ISBN : 978-602-97491-3-7 C-37-4


HASIL DAN DISKUSI Hasil dari proses clusteringdengan rapidminer diujicoba dengan menggunakan 10 skenario agar mendapatkan hasil clustering yang optimal. Skenario ujicoba tersebut melibatkan variasi jumlah atribut, jumlah cluster, iteraso, dan initial cluster (seed). Adapun detail dari ujicoba adalah: 1) Variasi atribut Ujicoba akan dilakukan dengan 2 buah variasi atribut, yaitu clustering dengan 6 atribut dan clustering dengan 7 buah atribut. 2) Variasi cluster Pada proses ujicoba akan dilakukan variasi jumlah pembagian cluster / segmen dengan variasi 2 hingga 7 buah cluster. 3) Variasi iterasi Variasi iterasi ini digunakan untuk mencari titik konvergensi dari K-Means clustering dengan pengaturan parameter sesuai dengan skenario.Konvergen berarti tidak ada perubahan nilai Davies-Bouldien Index (DB-Index) dan tidak ada perubahan jumlah anggota dari setiap cluster-nya. 4) Variasi seed (initial cluster) Pada ujicoba ini akan dilakukan variasi dari jumlah Intial cluster / seed. Adapun variasinya adalah 1,2,3,4,5,6,7,8,9,dan 10. Hasil Cluster Optimal Suatu cluster dikatakan konvergenapabila sudah tidak terjadi adanya perubahan atau perpindahan anggota dari satu cluster ke cluster lain. Selain itu, cluster yang telah konvergen juga ditandai oleh tidak adanya perubahan nilai DB-index. Dari kesepuluh skenario ujicoba yang telah dilakukan, akan dibuat suatu peringkat berdasarkan nilai DB-index terbaik. Tingkat optimal suatu clusterdapat diukur dengan beberapa cara, yaitu Nilai DBIndex, distance-between, dan distance-within. 1) Davies dan Bouldien (1979) menyebutkan bahwa jumlah cluster yang terbaik adalah yang memiliki index terkecil diantara cluster lainnya. Pada tools Rapidminer, nilai DB-index ini dikalikan dengan -1. Oleh karena itu, dari perspektif hasil rapidminer, maka nilai DB-index terbesar adalah hasil cluster yang optimal. Pada bagian ini, nilai akan dituliskan secara absolut, sehingga nilai DB-index akan sesuai dengan definisi aslinya, yaitu cluster optimal merupakan cluster dengan nilai DB-index terkecil. 2) Distance-between atau centroid-distance, adalah jarak antar-centroid dari satu cluster ke cluster lainnya. Hasil clustering dikatakan baikjika memiliki nilai distance-between yang relatif tinggi.Semakin besar nilainya, berarti jarak antara cluster satu dengan lainnya semakin renggang. Hal ini berarti antara cluster satu dengan lainnya semakin terlihat jelas perbedaannya. 3) Distance-within atauscattered-within, adalah jarak antar anggota cluster dalam sebuah cluster. Hasil clustering dikatakan baik jika memiliki nilai distance-within relatif kecil dibandingkan cluster lainnya. Semakin kecil nilai dari distance-within maka semakin rapat cluster tersebut. Hal ini berarti tingkat kesamaan karakteristik antara anggota satu dan lainnya dalam suatu cluster dapat dikatakan cukup tinggi. Pada tabel-1 ditunjukkan hasil secara berurutan, peringkat 3 variasiclustering terbaik dari seluruh tahap ujicoba.

ISBN : 978-602-97491-3-7 C-37-5

Prosiding Seminar Nasional Manajemen Teknologi XIV Program Studi MMT-ITS, Surabaya 23 Juli 2011 Tabel-1: Perbandingan Performa Cluster (absolut) Jumlah Cluster

2 3 4

DB-index (absolute)

0,388 0,532 0,608

Average Centroid distance (absolute)

901011827578216 479245641237629 382694079738594

Average Density (absolute) (Within Cluster Distance)

109068446871 60055482069 60055482069

Cross-Analysis Hasil dari ujicoba menunjukkan bahwa jumlah cluster yang optimal secara berurutan dari yang terbaik adalah 2 buah cluster, 3 buah cluster, dan 4 buah cluster. Pada tahap ini, akan dilakukan cross-analysis antara hasil clustering dengan atribut status pembayaran. Dengan demikian, akan dapat diketahui presentase di setiapvariasi clustering dengan 2 cluster, 3 cluster, dan 4 cluster. Analisis ini menggunakan fitur crosstabsdari SPPS 17. Hasil dari analisis ini ditunjukkan oleh gambar-3.

Gambar-2: hasil cross-analysis untuk cluster=2 (kiri), hasil cross-analysis untuk cluster=3 (tengah), dan hasil cross-analysis untukcluster=4 (kanan)

Dari gambar 3 tersebut, dapat dijabarkan sebagai berikut: 1) Cross-analysis untuk cluster=2 - Pada cluster_0, dari 9 pelanggan yang ada dalam kelompok ini, 11,11% telah melunasi pembayaran, sedangkan 88,89% (8 pelanggan ) lainnya belum melunasi pembayaran. - Pada cluster-1, dari 216 pelanggan yang ada dalam kelompok ini, 26,39% (57 pelanggan) telah melunasi pembayaran, sedangkan 73,61% (159 pelanggan) lainnya belum melunasi pembayaran. 2) Cross-analisys untuk cluster=3 - Pada cluster_0, dari 6 pelanggan yang ada dalam kelompok ini, 16,67% telah melunasi pembayaran, sedangkan 83,33% (5 pelanggan ) lainnya belum lunas. - Pada cluster-1, dari 13 pelanggan yang ada dalam kelompok ini, 7,7% (1 pelanggan) telah melunasi pembayaran, sedangkan 92,31% (12 pelanggan) lainnya belum lunas. - Pada cluster_2, dari 56 pelanggan yang ada dalam kelompok ini, 27,2% (56 pelanggan) telah melunasi pembayaran, sedangkan 72,82% (150 pelanggan) lainnya belum lunas. 3) Cros-analysis untuk cluster=4 - Pada cluster_0, dari 10 pelanggan yang ada dalam kelompok ini, tidak ada pelanggan melunasi pembayaran, sedangkan 100% lainnya belum lunas. - Pada cluster-1, dari 185 pelanggan yang ada dalam kelompok ini, 25,95% (48 pelanggan) telah melunasi pembayaran, sedangkan 74,05% (137 pelanggan) lainnya belum lunas.

ISBN : 978-602-97491-3-7 C-37-6


-

Pada cluster_2, dari 6 pelanggan yang ada dalam kelompok ini, 16.67% telah melunasi pembayaran, sedangkan 83,33% (5 pelanggan) lainnya belum lunas. Pada cluster_3, dari 24 pelanggan yang ada dalam kelompok ini, 37,5% (9 pelanggan) telah melunasi pembayaran, sedangkan 62,5% (15 pelanggan) lainnya belum lunas.

Analisis karakteristik Pelanggan Analisis inidilakukan dengan cara membandingkan nilai rata-rata setiap atribut dari setiap anggota cluster di setiap kelompok dengan nilai rata-rata total atribut tersebut. Nilai atribut dari kelompok yang berada di atas rata-rata total atribut akan dinotasikan sebagai ↑. Sedangkan nilai atribut yang berada di bawah rata-rata total atribut akan dinotasikan sebagai ↓. Metode ini diadaptasi dari Li dkk.,(2011).Melalui analisis ini akan didapat pengelompokan pelanggan berdasarkan akrakteristiknya. KESIMPULAN Berdasarkan hasil ujicobadengan variasi jumlah cluster, atribut, seed, dan iterasi yang berbeda, dapat disimpulkan bahwa clustering terbaik dalam permasalahan ini adalah membagi pelanggan dalam 2, 3, dan 4 kelompok. Berdasarkan hasil analisis, didapatkan pengelompokan pelanggan yang diadaptasi dari Rud (2000) dan Li dkk.,(2011) serta komunikasi dengan pihak manajemen perusahaan. Hasil dari customer profiling adalah sebagai berikut: (1). Customer Profiling dengan 2 segmen pelanggan Pelanggan dapat dikategorikan sebagai potential loyal customers(↑↑↑↑↑↑↑)dan uncertain customers(↓↓↓↓↓↓↓). (2). Customer Profiling dengan 3 segmen pelanggan Pelanggan dapat dikategorikan sebagai potential loyal & high-risk customers(↑↑↑↑↑↑↑) untuk pelanggan cluster_1, potential customer (↑↑↑↑↑↑↑) untuk pelanggan cluster_2 dan uncertain customers (↓↓↓↓↓↓↓)untuk pelanggan di cluster_0. (3). Customer Profiling dengan 4 segmen pelanggan Pelanggan dapat dikategorikan sebagai potential loyal customer (↑↑↑↑↑↑↑) untuk pelanggan cluster_0, potential loyal & high-risk customers (↑↑↑↑↑↑↑) untuk pelanggan cluster_1, most potential loyal & efficient customers(↑↑↑↑↑↓↓) untuk pelanggan cluster_2, dan uncertain customers (↓↓↓↓↓↓↓) untuk pelanggan di cluster_3. Kesimpulan yang dapat diambil dari seluruh rangkaian penelitian ini adalah: (1). Secara teknis, hasil clustering optimal adalah 2 cluster. Hal ini ditunjukkan dari nilai DB-index dan distance-within yang relatif kecil serta memiliki distancebetween yang relatif besar daripada model clusering lainnya. (2). Namun, jika diamati dari perspektif manajerial, pengelompokan pelanggan ke dalam 4 cluster akan dapat lebih menggambarkan karakteristik para pelanggan daripada pengelompokan pelanggan ke dalam 2 atau 3 cluster. (3). Kesimpulan pada point (2) di atas ditunjang oleh munculnya karakteristik waktu operasional yang efisien dan tingkat pelunasan pembayaran pelanggan pada clusteringdengan membagi pelanggan menjadi 4 kelompok. Karakteristik ini tidak tampak jika pelanggan hanya dibagi ke dalam 2 atau 3 cluster. Oleh karena itu, guna mendukung pengambilan keputusan terkait dengan customer relationship management, manajemen dapat mempertimbangkan untuk lebih memilih

ISBN : 978-602-97491-3-7 C-37-7


customer profile dengan 4 kelompok pelanggan daripada customer profile dengan 2 atau 3 kelompok pelanggan. Saran yang dapat dipertimbangkan untuk mengembangkan penelitian ini, diantaranya adalah: 1) Penambahan jumlah atribut atau faktor pendukung lainnya. 2) Variasi rentang waktu transaksi dalam pengambilan data sampel. 3) Variasi dalam algoritma clustering, yaitu selain algoritma K-Means. DAFTAR PUSTAKA Aggelis, Vasilis dan Christodoulakis (2005), “Customer Clustering using RFM Analysis”, Proceedings of the 9th WSEAS International Conference on Computers. (ICCOMP`05). Atyanto, Dhanika Budhi., Erawan, Mahendrawathi dan Soelaiman, Rully (2011), “Improving Modern Port Competitiveness by using Data Mining to Obtain Strategic Decision”, Proceeding ofInternational Engineering Symposium (IES) 2011, Kumamoto University, Jepang,hal. E.4.1-E.4.4. Bao, Ho Tu, (2000), Introduction to Knowledge Discovery and Data Mining, Lecture handouts: Institute of Information Technology, National Center for Natural Science and Technology, Vietnam. Berry, Michael J.A dan Linoff, Gordon S. (2000), Mastering Datamining, John Wiley & Sons, Inc., New York. Budiyanto, Eko Hariyadi dan Gurning, Raja Oloan Saut (2007), Manajemen Bisnis Pelabuhan, PT. Andhika Prasetya Ekawahana, Surabaya. Chen, Mu-Chen., Chiu, Ai-Lun dan Chang, Hsu-Hwa (2005), “Mining Changes In Customer Behavior In Retail Marketing”, Expert Systems with Applications, Vol.28, hal.773-781. Cheng, Ching-Hsue dan Chen, You-Shyang (2009), “Classifiying the segmentation of customer value via RFM model and RS Theory”, Expert Systems with Applications, Vo.36, hal. 4176-4184 Davies, David L dan Bouldin, Donald W. (1979), “A Cluster Separation Measure”, IEEE Transactions on Pattern Analysis and Machine Learning Intelligence, Vol. PAMI-1, No.2., April 1979, hal.224-227. Golsefid, Samira M., Ghazanfari, Mehdi dan Alizadeh, Somayeh (2007), “Customer Segmentation in Foreign Trade based on Clustering Algorithms, case study: Trade Promotion Organization of Iran”, International Journal of Computer, Information, and Systems Science, and Engineering, Vol 1, No.3, hal. 175-181. Kohavi, Ron., dan Parekh, Rajesh (2004). “Visualizing RFM Segmentation”, SIAM. Laudon, Kenneth dan Traver, Carol Guercio (2009), E-Commerce (Business, Technology, Society)” 5th Edition, Pearson Education, Upper Sadle River, New Jersey.

ISBN : 978-602-97491-3-7 C-37-8


Li, Der-Chiang., Dai, Wen-Li dan Tseng, Wan-Ting. (2011), “A Two Stage clustering method to analyze customer characteristics to build discriminative customer management: A case of textile manufacturing business”, Expert Systems with Apllications, doi: 10.1016/ j.eswa.2010.12.041. Mason, Charlotte (2003), Recency, Frequency, and Monetary (RFM) Analysis, Lecture handouts: Kenan-Flagler Business School, the University of North Carolina. McCarty, John A. dan Hastak, Manoj (2007), “Segmentation approach in data-mining: A Comparison of RFM, CHAID, and Logistic Regression”, Journal of Business Research, ScienceDirect, Vol. 60, Hal.656-662. Mingoti, Sueli A. dan Lima, Joab O. (2006), “Comparing SOM neural network with Fuzzy c-means, K-means, and traditional hierachical clustering algorithms”, European Journal of Operational Research, Vol. 174, hal. 1742-1759. Ngai, E.W.T., Xiu, Li dan Chau, D.C.K. (2009), “Application Of Data Mining Technique In Customer Relationship Management: A Literature Review And Classification”, Expert System with Applications, Vol.36, hal. 2592-2602. Niyagas, Waminee., Srivihok, Anongnart., dan Kristin, Sukumal (2006), “Clustering EBanking Customer Using Data Mining And Marketing Segmentation”, ECTI Transactions on Computer and Information Technology, Vol.2, No.1, Hal. 6369. Olson, David dan Shi, Yong (2007), Pengantar Ilmu Penggalian Data Bisnis (Judul asli: Introduction to Business Data Mining), Penerbit Salemba Empat, Jakarta. Shen, Zuo-Jun Max. Dan Su, Xuanming (2007), “Customer Behavior Modeling in Revenue Management and Auctions: A Review and New Research Opportunities”, Journal of Production and Operation Managment, USA,Vol.16, No.6, hal. 713-728 Sparling, Mike (2008), Lesson 6 - Targeting Customers using RFMv Analysis, Lecture handouts: Algonquin College Trappey, Charles V., Trappey, Amy J.C., Chang, Ai-Che., dan Huang, Ashley Y.L. (2009), “The Analysis of Customer Service Choices and Promotion Preferences using Hierarchical Clustering”, Journal of the Chinese Institue of Industrial Engineer, Vol.26, No.5, hal. 367-376. Tsiptsis, Konstantinos dan Chorianopoulos, Antonios (2009), Data Mining Techniques in CRM: Inside Customer Segmentation, John Wiley & Sons, Inc., West Sussex, U.K. Yanuarita, Gemala., Hendrawan, Rully Agus dan Prananta, Danu (2011), Segmentasi Pelanggan Berbasis Rfm Dengan Menggunakan Algoritma K-Means Untuk Mendukung Strategi Pengelolaan Pelanggan Di PT Indosat Mega Media, Jurusan Sistem Informasi, ITS, Surabaya.

ISBN : 978-602-97491-3-7 C-37-9

CUSTOMER PROFILING DENGAN MENGGUNAKAN K-MEANS CLUSTERING UNTUK MENDUKUNG PENGAMBILAN KEPUTUSAN STRATEGIS DI PT PELABUHAN INDONESIA III (PERSERO)

Recommend Documents