Evaluasi dan Rekomendasi Peningkatan Nilai Hidup Pelanggan Berdasarkan Analisis RFM Perilaku Pembelian Pelanggan : Studi Kasus PT

JURNAL TEKNIK POMITS Vol. 2, No. 1, (2013) ISSN: 2337-3539 (2301-9271 Print)

1

Evaluasi dan Rekomendasi Peningkatan Nilai Hidup Pelanggan Berdasarkan Analisis RFM Perilaku Pembelian Pelanggan : Studi Kasus PT. XYZ Dyah Puspita Dewi, Prof.Ir. Arif Djunaidy, M.Sc., Ph.D, M.T, dan Renny Pradina,S.T.. Jurusan Sistem Informasi, Fakultas Teknologi Informasi, Institut Teknologi Sepuluh Nopember (ITS) Jl. Arief Rahman Hakim, Surabaya 60111 Indonesia e-mail: [email protected], [email protected]

Abstrak— Era bisnis saat ini adalah perusahaan menempatkan pelanggan sebagai aset penting perusahaan. Membangun manajemen pengelolaan hubungan pelanggan yang bagus dapat mempertahankan pelanggan sebagai aset penting perusahaan. Pengelolaan Hubungan Pelanggan dapat dimulai dari evaluasi nilai hidup pelanggan (NHP) karena nilai tersebut dapat memberikan informasi dasar untuk melakukan strategi pemasaran dengan target khusus. Strategi pemasaran yang tepat dapat digunakan untuk rekomendasi peningkatkan NHP perusahaan. Dalam jurnal ini NHP digunakan untuk melakukan segementasi pelanggan perusahaan penjualan printer yaitu PT. XYZ. Segmentasi ini diawali dengan menghitung nilai RFM (Recency, Frequency, Monetary) setiap pelanggan. Setelah itu dilakukan pembobotan RFM dan dilakukan klasterisasi dengan metode Fuzzy C-Means(FCM). Dari hasil segmentasi pelanggan yang terbentuk dari FCM maka dilakukan pemeringkatan setiap segmen pelanggan dengan metode TOPSIS. Hasil dari peringkat setiap segmen pelanggan dipetakan kedalam 4 strategi pemasaran yaitu Enforced Strategy, Offensive Strategy, Difensive Strategy. Strategi pemasaran ini berdasarkan nilai frequency dan monetary masing-masing klaster. Setiap segmen strategi pemasaran memiliki program dan saran aktivitasnya, hal ini yang dapat digunakan untuk rekomendasi peningkatan NHP. Kata Kunci— Analisis RFM, Fuzzy C-Means, TOPSIS, Strategi Pemasaran

I. PENDAHULUAN

P

ADA era saat ini persaingan bisnis sangat sulit, sehingga pelanggan menjadi aset penting bagi setiap perusahaan. Hal ini seperti yang dikatakan Kotler dan Armstrong bahwa menarik pelanggan baru adalah penting, namun lebih penting untuk mempertahankan karena kehilangan pelanggan berarti kehilangan seluruh aliran pembelian [1]. Pengelolahan hubungan pelanggan yang baik dapat menjaga pelanggan agar tidak beralih menggunakan produk kompetitor. Tujuan utama pengelolahan hubungan pelanggan adalah membuat hubungan jangka panjang dengan pelanggan yang menguntungkan perusahaan di masa kini dan masa yang akan datang. Nilai pelanggan di masa yang akan datang dapat dilakukan dengan cara melakukan evaluasi setiap pelanggan perusahaan. Salah satu cara melakukan evaluasi pelanggan adalah dengan menghitung NHP setiap pelanggan. Perhitungan NHP dapat dilakukan dengan menggunakan model RFM. Model RFM

(recency, frequency, monetary) didapatkan dari data historikal pembelian pelanggan di masa lalu untuk memprediksi perilaku pelanggan di masa depan [2] Data Historikal pelanggan dapat digunakan untuk melakukan evaluasi pelanggan, dengan cara membagi pelanggan ke dalam segmen – segmen [3]. Pembagian pelanggan dapat dilakukan dengan cara melakukan klasterisasi pelanggan berdasarkan model RFM. Teknik klasterisasi ini dapat dilakukan dengan beberapa metode salah satunya adalah menggunakan metode Fuzzy C-Means (FCM), metode ini memiliki beberapa keunggulan dibanding metode K-Means yang biasanya digunakan untuk klasterisasi model RFM. Hal ini dapat dari hasil penelitian bahwa FCM memiliki nilai entrophy yang lebih rendah dibandingkan K-means sedangkan nilai purity FCM lebih tinggi dibandingkan K-means [4]. Hal ini menunjukkan bahawa hasil klaster FCM lebih bagus dibanding K-Means. Setelah segmen terbentuk, maka langkah selanjutnya melakukan evaluasi segmen pelanggan dengan memberikan peringkat pada setiap segmen pelanggan. Pemberian peringkat setiap segmen setiap pelanggan menggunakan metode TOPSIS. Metode TOPSIS dapat digunakan untuk menentukkan peringkat dengan penilaian lebih dari satu kriteria [5]. Dari hasil peringkat dengan metode TOPSIS maka perusahaan dapat mengetahui peringkat NHP pelanggan. Dari evaluasi tersebut perusahaan mengetahui karakter setiap segmen pelanggan berdasar model RFM. Langkah selanjutnya adalah membuat rekomendasi peningkatan NHP dengan menerapkan strategi pemasaran yang sesuai karakteristik pelanggan PT. XYZ (Chao, et al., 2008). Dalam jurnal ini evaluasi dan rekomendasi NHP dilakukan untuk perusahaan di bidang penjualan printer yaitu PT. XYZ. Pada bagian selanjutnya dalam jurnal ini, disusun sebagai berikut : bagian 2 menjelaskan metode yang digunakan untuk evaluasi dan rekomendasi NHP, bagian 3 menjelaskan hasil dan pembahasan dari pengolahan data untuk proses evaluasi dan rekomendasi, bagian 4 menjelaskan kesimpulan yang didapat dari hasil pengerjaan.

JURNAL TEKNIK POMITS Vol. 2, No. 1, (2013) ISSN: 2337-3539 (2301-9271 Print) II. URAIAN PENELITIAN A. Penentuan NHP dengan Model RFM Model yang digunakan untuk pengukuran dan evaluasi NHP adalah model RFM (recency, frequency, monetary) [1]. Model ini dibangun berdasarkan tiga variabel, yaitu : a. Recency : mengacu pada durasi waktu/periode pembelian terakhir dengan waktu saat ini. Nilai yang lebih rendah sesuai dengan probabilitas yang lebih tinggi dari pelanggan yang melakukan pembelian produk secara berulang. b. Frequency : banyaknya jumlah pembelian produk yang dilakukan dalam jangka waktu/periode tertentu, frekuensi yang lebih tinggi menunjukkan loyalitas yang lebih besar. c. Monetary : nilai total pembelian yang dihabiskan selama periode tertentu; jumlah yang lebih tinggi menunjukkan kontribusi yang besar bagi perusahaan. Salah satu keuntungan terbesar dari model RFM adalah kesederhanaan dan kemudahan pemahaman terhadap model ini karena didasarkan pada 3 variabel yang sangat lekat dengan bisnis. Model ini juga dianggap sebagai model yang efektif untuk segmentasi pelanggan. Asumsi dasar dalam menggunakan model ini adalah bahwa pola transaksi masa depan pelanggan menyerupai pola di masa lalu dan saat ini. Pada jurnal ini RFM digunakan untuk membantu mengukur dan mengevaluasi NHP pelanggan PT. XYZ. B. Normalisasi dengan Metode Min-Max Penggalian Normalisasi RFM pada jurnal ini menggunakan pendekatan metode Min-Max. Oleh karena itu nilai R (ci) , F(ci) dan M(ci) pada persamaan 1,2 dan 3 didefinisikan sebagai [2]: R (ci) =

(

)

(1)

F (ci) =

(

)

(2)

M (ci) =

(

)

D. Penentuan Jumlah Segmen dengan DUNN index Dunn index digunakan untuk mengevaluasi optimal jumlah klaster [2]. Dunn index didefinisikan dengan persamaan 5 : (

(5)

(6)

E. Klasterisasi dengan FCM FCM adalah variasi dari algoritma klaterisasi yang populer yaitu algoritma k-means, dimana keanggotaan dari klaster dimasukkan untuk setiap titik data. Titik tengah klaster didasarkan pada derajat keanggotaan dan titik data [3]. Algoritma FCM telah banyak dikembangkan, dalam tugas akhir ini menggunakan FCM yang dikembangkan Bezdek , langkah dari algoritma ini yaitu [4]: a. Menentukan jumlah c klaster b. Mengalokasikan data sesuai dengan jumlah cluster yang ditentukan c. Menghitung nilai centroid (Vij) dari masing-masing cluster, dengan persamaan 7 sebagai berikut : Vij =

∑

( ∑

) (

(7)

)

dimana: N : Jumlah data m : Weighting exponent uik: Membership function data ke-k ke cluster ke-i d. Menghitung nilai fungsi keanggotaan masing-masing data ke masing-masing cluster, dengan persamaan 8 sebagai berikut : uik = ∑

(

(

)

(

)

)

(8)

dimana: uik : Membership function data ke-k ke cluster ke-i vi : Nilai centroid cluster ke-i m : pembobotan eksponensial x : titik data

(4)

Dimana R (ci), F(ci) dan M(ci) masing- masing mewakili nilai pelanggan ci dalam kriterian R, F dan M. Sedangkan WR, WF dan WM mewakili bobot dari masing-masing kriteria R, F dan M. Selain itu WR + WF + WM = 1. Pembobotan didapat dengan menggunakan metode Analytical Hierarchy Process (AHP).

, i≠ j dan 1 ≤ i,j ≤ k

BC = min z = 1,.....,n (max i=1,....,kx(k-1) dij) , n= max(k)

C. Pembobotan dengan Metode AHP Berdasarkan skema RFM, nilai dari pelanggan (ci) dapat direpresentasikan pada persamaan 4 sebagai berikut [1]: V(ci) = WR X R (ci) + WF x F (ci) + WM x M (ci)

)

k adalah jumlah cluster di setiap clustering. Ci dan Cj adalah cluster, max (jarak pada Ci) adalah jarak maksimum antara rata-rata Ci dan titik anggota klaster lainnya di Ci, jarak Ci, Cj adalah jarak antara klaster Ci dan Cj. Pada setiap pengelompokan dengan k cluster, persamaan 2.12 dihitung sebanyak k * (k-1) kali karena dilakukan untuk masingmasing klaster yang berpasangan di sebuah pengelompokan. Pada langkah berikutnya, maksimal jarak antar klaster dibandingkan dengan maksimum pengelompokan lainnya dan akhirnya, klaster yang memiliki minimum dari d ij maksimum terpilih sebagai pengelompokan terbaik yang digambarkan dengan persamaan 6 :

(3)

adalah nilai mentah yang akan dan , dicari nilai standarnya untuk masing-masing R, F dan M. Sedangkan minR, minF dan minM adalah nilai minimum untuk masing-masing R, F dan M dan maxR, maxF dan maxM adalah nilai maksimum untuk masing-masing R, F dan M. NewmaxR, newmaxF dan newmaxM adalah rentang maksimal R,F,M yang nilainya adalah 1 sedangkan NewminR, newminF dan newminM adalah rentang minimal R,F,M yang nilainya adalah 0.

2

e.

Tingkat kemungkinan yang lebih tinggi ke suatu kelompok akan mempunyai nilai fungsi keanggotaan ke kelompok tersebut yang mendekati angka 1 dan ke kelompok yang lain mendekati angka 0. Kembali ke langkah c. Jika perubahan nilai fungsi keanggotaan lebih dari nilai ambang batas yang ditentukan, atau jika perubahan pada nilai centroid lebih

JURNAL TEKNIK POMITS Vol. 2, No. 1, (2013) ISSN: 2337-3539 (2301-9271 Print) dari nilai ambang batas yang ditentukan, atau jika perubahan pada nilai fungsi obyektif lebih dari nilai ambang batas yang ditentukan maka nilai fungsi obyektif didefinisikan dalam persamaan 9: J(U,V) = ∑

∑

(

)

(9)

dimana: N : Jumlah data c : Jumlah cluster m : pembobotan eksponensial uik: fungsi keanggotaan data ke-k ke cluster ke-i dengan nilai antara 0-1 vi: Nilai centroid cluster ke-i F. Peringkat Klaster dengan TOPSIS Metode TOPSIS sebagai salah satu teknik pengambilan keputusan untuk banyak kriteria. Metode TOPSIS dapat digunakan untuk menentukan peringkat klaster dengan langkah-langkah sebagai berikut (Hossein Azadniaa, et al., 2011) : a. b. c. d. e.

Membuat matriks keputusan yang ternormalisasi. Membuat matriks keputusan yang ternomalisasi terbobot. Melakukan tahap klasterisasi. Menentukkan titik tengah masing-masing klaster. Menentukkan matriks solusi ideal positif dan matriks solusi ideal negatif. Solusi ideal positif yang didefinisikan A+ dan solusi ideal negatif A-, Nilai ideal positif ditentukan dari nilai terbesar dari peringkat titik tengah klaster (yij) sedangkan nilai ideal negatif ditentukan dari nilai terkecil dari peringkat titik tengah klaster(yij), yang digambarkan dengan persamaan 10 dan 11: A+ = (y1+, y2+, y3+, y4+,... yn+) ,i=1,2,......n

(10)

A- = (y1-, y2-, y3-, y4-,... yn-), i=1,2,......n

(11)

Dimana yi+ adalah nilai maksimum sedangkan yi- adalah nilai minimum. f.

Menentukkan jarak antara nilai setiap alternatif dengan matriks solusi ideal positif dan negatif, dengan persamaan 12 dan 13 : √∑ √∑

g.

( (

) , i=1,2,....,m ) , i=1,2,....,m

(12) (13)

Menentukan nilai preferensi untuk setiap alternatif yang dilambagkan dengan CLi , dengan persamaan 14: (14)

G. Strategi Pemasaran Berdasarkan Klaster Dalam menerapkan strategi pemasaran yang optimal perusahaan membutuhkan profil setiap pelanggan. Profil pelanggan ini dapat diperoleh dari sejarah pembelian yang dilakukan setiap pelanggan. Dari sejarah pembelian pelanggan maka akan diketahui nilai RFM. Nilai tersebut digunakan

3

untuk melakukan segmentasi pelanggan sesuai dengan tingkat loyalitas pelanggan. Segmentasi pelanggan dapat dilakukan dengan cara melakukan klasterisasi. Pada pemasaran ini tidak mempertimbangkan nilai recency karena nilai tersebut tidak konsisten sehingga kurang relevan untuk memasukkan pada strategi pemasaran perusahaan 3-C (Komputer, Komunikasi dan Peralatan Elektronik lain). Strategi pemasaran ini hanya mempertimbangkan dua indikator yaitu frequency dan monetary yang digambarkan pada tabel 1 [6]. Pada tabel 1 digambarkan bahwa nilai frequency dan monetary mengelompokkan pelanggan menjadi 4 segmen yang memiliki strategi pemasaran yang berbeda. Tabel 1 Matrix Segmentasi Strategi Pemasaran (Chao,et al,2008) Nilai Pelanggan Frequency Tinggi Frequency Rendah

Monetary Tinggi Enforced Strategy (Segmen I ) Defensive Strategy •(Segmen III)

Monetary Rendah Offensive Strategy (Segmen II) “Let-go” Strategy (Segmen IV)

Segmen I atau disebut Enforced Strategy menggambarkan karakteristik pelanggan yang memiliki frekuensi pembelian yang sering dan memiliki kontribusi besar pada perusahaan maka pelanggan ini harus dipertahankan karena memberi keuntungan tinggi pada perusahaan. Segmen II atau disebut Offensive Strategy menggambarkan karakteristik pelanggan yang sering datang membeli namun pembeliannya kurang berkontribusi maka pelanggan ini harus ditingkatkan nilai pembeliaannya dengan cross-selling atau up-selling. Segmen III atau disebut Defensive Strategy menggambarkan karakteristik pelanggan yang memiliki kontribusi besar saat melakukan pembelian tetapi pelanggan tersebut jarang membeli. Segmen IV atau “Let-go” Strategy menggambarkan karakteristik pelanggan yang kurang berkontribusi dan jarang membeli, pelanggan pada tipe ini bisa jadi adalah pelanggan baru namun jika pelanggan tersebut pelanggan lama maka pelanggan tersebut dapat ditinggalkan agar tidak menghabiskan sumberdaya perusahaan. Aktivitas yang dapat dilakukan untuk strategi pemasaran pada setiap segmen ditunjukan pada tabel 3. Pada Jurnal ini strategi pemasaran digunakan untuk membagi setiap klaster yang telah terbentuk ke dalam setiap segmen strategi pemasaran. Dari setiap segmen strategi pemasaran maka akan diketahui program dan saran aktivitas strategi pemasaran yang sesuai untuk masing-masing pelanggan. Strategi pemasaran dibawah ini akan digunakan untuk pemetaan strategi pemasaran pada setiap segmen yang diperoleh dari hasil klasterisasi. Strategi pemasaran ini adalah salah satu cara yang digunakan untuk meningkatkan NHP pelanggan PT. XYZ.

JURNAL TEKNIK POMITS Vol. 2, No. 1, (2013) ISSN: 2337-3539 (2301-9271 Print) Tabel 2 Program dan Saran Aktivitas Stretegi Pemasaran Strategi Program Strategi Saran untuk Pemasaran Pemasaran Aktivitas Pemasaran Enforced 1. Menjaga 1. Mengirim Strategy komunikasi dengan informasi (Segmen I ) pelanggan promosi 2. Menjaga interaktif melalui jangka panjang telepon, fax 3. Merancang dan email program loyalitas 2. Memberikan pelanggan diskon pada 4. Mengerti acara tertentu kebutuhan dan 3. Melakukan kebiasaan wawancara pelanggan dengan pelanggan mengenai penawaran produk melalui telepon Offensive 1. Mempertahankan 1. Mempromosi Strategy loyalitas pelanggan kan produk (Segmen II) dengan kegiatan baru atau up-selling dan produk cross-selling pelengkap 2. Mempertahankan 2. Meningkatka loyalitas pelanggan n pembelian dengan pelanggan 3. Mengembangkan dengan kegiatan promosi menawarkan untuk produk yang meningkatkan paling banyak frekuensi dibeli. 4. Menarik minat pelanggan dengan probuk atau layanan baru Defensive 1. Mengembangkan 1. Merancang Strategy kegiatan promosi layanan purna (Segmen III) untuk jual. meningkatkan 2. Menawarkan frekuensi produk up2. Mengirim selling informasi dengan harga produk/layanan khusus secara berkala “Let-go” 1. Tidak ada 1. Memisahkan Strategy keharusan pelanggan (Segmen perusahaan untuk baru dan IV) memperhatikan pelanggan segmen ini. lama 2. Memilih produk 2. Melakukan dengan fokus komunikasi utama yang hanya dengan dibutuhkan pelanggan pelanggan. baru

4

III. HASIL DAN PEMBAHASAN Pada pengolahan data yang dilakukan untuk proses evaluasi dan rekomendasi NHP digunakan data transaksi penjualan PT. XYZ. Data transaksi yang digunakan untuk analisa adalah data trasaksi penjualan dari 1 Januari 2006 sampai 31 Desember 2012. Analisis RFM dimulai dengan melakukan normalisasi dengan metode Min-Max. Hasil normalisasi dikalikan dengan bobot masing-masing kriteria RFM yang didapat dari hasil kuisioner yang diolah dengan metode AHP untuk memperoleh bobot prioritas, tabel 3 merupakan bobot prioritas masing-masing kriteria RFM . dari tabel 3 diketahui bahwa nilai recency memiliki bobot yang tertinggi dibanding dua kriteria lain. Tabel 3 Nilai Eigen dan Bobot Prioritas Eigen value 6,2x 10-2 2,9x 10-2 6,5x10-1

Recency Monetary Frequency

Bobot Prioritas 5,9x10-2 2,8x10-1 6,7x10-1

Setelah melakukan pembobotan maka langkah selanjtnya adalah membuat segmen pelanggan dengan teknik klasterisasi. Teknik klasterisasi menggunakan metode FCM maka langkah yang pertama adalah menentukkan jumlah segmen pelanggan, penentuan jumlah segmen dapat dilakukan dengan metode evaluasi DUNN index untuk mengevaluasi jumlah segmen yang optimal. Pada tabel 4 merupakan hasil perhitungan dengan metode DUNN index, jumlah segmen dengan nilai yang terbesar merupakan jumlah klaster yang dipilih. Jumlah segmen dengan nilai yang terbesar adalah 4, sehingga segmen pelanggan dapat dibagi menjadi 4 segmen. Tabel 4 Hasil Pemilihan Jumlah Klaster dengan Metode DUNN index Jumlah Klaster

DUNN index

3

2,8x10-3

4

3,2 x10-3

5

2,4 x10-3

6

2,1 x10-3

7

4 x10-4

8

1,2 x10-3

9

1,1 x10-3

Setelah mengetahui jumlah segmen yang optimal, langkah selanjutnya membagi pelanggan ke dalam 4 segmen. Pembagian pelanggan ini menggunakan teknik klasterisasi FCM. Dari hasil pengolahan menggunakan teknik FCM maka didapatkan titik tengah klaster yang dapat dilihat dari tabel 5. Visualisasi pembagian pelanggan dapat dilihat pada gambar 1. Langkah selanjutnya adalah memberi peringkat segmen dengan metode TOPSIS, hasil dari peringkat klaster ini juga dapat dilihat pada tabel 5.

JURNAL TEKNIK POMITS Vol. 2, No. 1, (2013) ISSN: 2337-3539 (2301-9271 Print)

Gambar 1 Hasil Klasterisasi Pelanggan PT. XYZ dengan metode FCM Tabel 5 Titik Tengah Segmen dan Peringkat NHP Peringkat NHP

Titik Tengah Kriteria

Klaster

R

F

M

1

1

1,9 x 10

4,4 x 10

5,1 x 10-1

2

3

2,2 x 10-2

2,6 x 10-2

1,9 x 10-1

3

2

4,3 x 10-2

4,8 x 10-3

2,4 x 10-2

4

-2

-2

1 x 10

4

-2

-3

3 x 10

-2

1,9 x 10

Dari setiap segmen telah diketahui peringkat NHPnya, maka langkah selanjutnya adalah memetakan masing-masing ke dalam strategi pemasaran. Pada langkah ini strategi pemasaran hanya mendukung kriteria frequency dan monetary. Tahap selanjutnya adalah menghitung nilai ambang batas dari frequency dan monetary.Hal ini untuk menentukan nilai ambang batas rendah dan tinggi dari nilai frequency dan monetary. hal yang dilakukan pertama adalah mengitung ratarata nilai frequency dan monetary dari nilai normalisasi terbobot. Rata-rata nilai frequency adalah 4,9 yang dibulatkan keatas sehingga bernilai 5, sehingga ambang batas pelanggan tersebut dikatakan memiliki nilai frequency tinggi adalah apabila memiliki nilai lebih dari 5 jika kurang atau sama dengan maka nilai frequency dianggap rendah. Rata- rata monetary bernilai Rp.6.089.400,- yang dilbulatkan menjadi Rp.6.100.000,- sehingga ambang batas pelanggan tersebut dikatakan memiliki nilai monetary tinggi adalah apabila memiliki nilai lebih dari Rp.6.100.000,- jika kurang atau sama dengan maka nilai monetary dianggap rendah. Setelah itu membandingkan ambang batas tersebut dengan titik tengah setiap segmen berdasarkan kriteria frequency dan monetary. Perbandingan tersebut dapat terlihat pada tabel 6 yang menunjukan nilai frequency dan monetary setiap segmen. Tabel 6 Hasil Tipe Kelompok Peringkat Klaster Titik Tengah

Peringkat Klaster

frequency

monetary

Tipe Kelompok

1

26.08333

61368919

F↑ M↑

2

16.57746

22791203

F↑ M↑

3

2.910314

2870378

F↓ M↓

4

3.722372

3261867

F↓ M↓

5

Pada langkah sebelumnya telah diketahui bahwa klaster peringkat 1 dan 2 memiliki nilai F↑ M↑, sedangkan klaster peringkat 3 dan 4 memiliki F↓ M↓ . Langkah selanjutnya memetakan ke dalam strastegi pemasaran, pada strategi pemasaran untuk kelompok pelanggan yang memiliki nilai frequency bernilai tinggi dan monetary tinggi masuk ke dalam Enforced Strategy. Peringkat 1 dan 2 memiliki nilai frequency dan monetary tinggi sehingga dimasukkan ke dalam Enforced Strategy. Strategi pemasaran untuk kelompok pelanggan yang memiliki nilai frequency bernilai tinggi dan monetary rendah masuk ke dalam Offensive Strategy tetapi tidak ada pelanggan PT. XYZ yang sesuai dengan kriteria pada strategi ini. Strategi pemasaran untuk kelompok pelanggan yang memiliki nilai frequency bernilai rendah dan monetary tinggi masuk ke dalam Defensive Strategy tetapi tidak ada pelanggan PT. XYZ yang sesuai dengan kriteria pada strategi ini. Strategi pemasaran untuk kelompok pelanggan yang memiliki nilai frequency bernilai rendah dan monetary rendah masuk ke dalam Let-Go Strategy. Peringkat 3 dan 4 memiliki nilai frequency dan monetary rendah sehingga dimasukkan ke dalam Let-Go Strategy. IV. KESIMPULAN/RINGKASAN Segmentasi pelanggan merupakan salah satu cara untuk mengetahui NHP pelanggan. Pengolahan data PT. XYZ menunjukkan bahwa pelanggan terbagi menjadi 4 segmen berdasarkan kriteria model RFM. Bobot RFM pada PT. XYZ mengedepankan nilai monetary, hal ini tentu berbeda apabila diterapkan oleh perusahaan lain karena bobot nilai RFM tergantung pada karakteristik perusahaan. Evaluasi NHP dilakukan setelah segmen pelanggan terbentuk, sehingga evaluasi berdasarkan peringkat segmen. Tahap rekomendasi NHP digunakan pemetaan terhadap strategi pemasaran berdasar nilai frequency dan monetary, pelanggan PT. XYZ terbagi menjadi 2 kelompok strategi pemasaran yaitu kelompok pelanggan yang memiliki nilai frequency bernilai tinggi dan monetary tinggi masuk ke dalam Enforced Strategy dan kelompok pelanggan yang memiliki nilai frequency bernilai rendah dan monetary rendah masuk ke dalam Let-Go Strategy. DAFTAR PUSTAKA [1] C.C Chiu and C.Y Tsai, "A purchase-based market segmentation methodology," Science Direct, pp. 265–276, 2004. [2] Mahboubeh Khajvand, Kiyana Zolghafar, Sarah Ashoori, and Somayeh Alizadeh, "Estimating Customer Lifetime Value Based on RFM Analysis of Customer Purchase Behaviour : case study," Procedia Computer Science, pp. 57-63, 2011. [3] A Banumathi and A Pethalakshmi, "Refinement of KMeans and Fuzzy C-Means," IJCA, vol. 17, no. 39, pp. 1117, 2012. [4] James C Bezdek, Robert Erlich, and William Full, "FCM : The Fuzzy C-Means Clustering Algorithm," Computer&

JURNAL TEKNIK POMITS Vol. 2, No. 1, (2013) ISSN: 2337-3539 (2301-9271 Print) Geoscience, vol. 10, no. 2-3, pp. 1-13, 1981. [5] Amir Hossein Azadniaa, Pezhman Ghadimi, and Mohammad Molani Aghdama, "A Hybrid Model of Data Mining and MCDM Methods for Estimating Customer Lifetime Value," Proceedings of the 41st International Conference on Computers & Industrial Engineering, 2011. [6] Pei Chao, Hsin-Pin Fu, Hung-Hsuan Lee, and Ya-Cheng Chang, "Identifying The Customer Profiles for 3-C Product Retailers:A Data Mining Approach," International Journal of Electronic Business Management, vol. 6, no. 4, pp. 195-202, 2008. [7] Philip Kottler and Gary Amstrong, Principles of Marketing Eleventh Edition. New Jersey, United States of America: Prentice Hall, 2006. [8] John Miglautsch, "Thoughts On RFM Scoring," Journal of Database Marketing 8, vol. 8, no. 1, pp. 67-72, August 2000. [9] Satya Chaitanya Sripada and Sreenivasa Rao, Indian Journal of Computer Science and Engineering (IJCSE), vol. 2, no. 3, pp. 343-346, 2011.

6