IMPLEMENTASI DATA MINING PEMILIHAN PELANGGAN POTENSIAL MENGGUNAKAN ALGORITMA K-MEANS

Wahyu Romadhona

Abstract


Pelanggan potensial adalah pelanggan yang tertarik dengan produk atau layanan, tetapi tidak selesai mengambil langkah, ditahan oleh masalah yang berbeda-beda (misalnya harga, tempat, kenyamanan, pendapat pelanggan lain, dll.).Tetapi hal ini bisa diatasi dengan cara mengidetifikasi serta mengkaji masalah-masalah yang perusahaan alami. Tujuan dari penelitian ini adalah untuk menentukan pelanggan potensial  serta mempelajari data mining menggunakan algoritma K-Means yang diimplementasikan di Exso Coffee & Roastery saat memilih calon pelanggan. Berdasarkan dari hasil pengumpulan data yang dilakukan melalui observasi dan wawancara dengan pemilik dan pelanggan perusahaan yang bersangkutan, juga dengan melakukan analisa data untuk menentukan apa saja yang dibutuhkan dalam proses mengidentifikasi pelanggan potensial. Berdasarkan data  pelanggan pada bulan November 2021 hingga April 2022di Exso Coffee & Roastery yang telah didapatkan adalah sebanyak 160 sample data. Perusahaan belum dapat mengoptimalkan pelayanan pada pelanggan misalnya jumlah menu yang terbatas serta tempat duduk yang kurang nyaman. Maka diperlukan pemetaan pelanggan sehingga dengan adanya pemetaan pelanggan ini, akan menjadi sangat peting untuk menghadapi masalah yang perushaan alami sehingga penyelesaian masalah pun akan lebih mudah, terarah dan tepat.  Melalui eksperimen menggunakan algoritma K-Means dan perangkat lunak RapidMiner Studio, memberikan hasil pelanggan potensial adalah pelanggan berusia antara 35 hingga 40 tahun. yang  selanjutnya akan dideklarasikan sebagai   cuslter 0.


Keywords


Data Mining, Algoritma K-Means, RapidMiner Studio

References


Andi Cuhwanto, Y. N., & R, D. A. (2021). Implementasi Data Mining Pemilihan Pelanggan Potensial Menggunakan Algoritma K-Means. Petir, 15(1), 48–56. https://doi.org/10.33322/petir.v15i1.1358

DIKRIANSYAH, F. (2018). No 主観的健康感を中心とした在宅高齢者における 健康関連指標に関する共分散構造分析Title. Biomass Chem Eng, 3(2), ثقثقثقثق. Retrieved from http://journal.stainkudus.ac.id/index.php/equilibrium/article/view/1268/1127%0Ahttp://publicacoes.cardiol.br/portal/ijcs/portugues/2018/v3103/pdf/3103009.pdf%0Ahttp://www.scielo.org.co/scielo.php?script=sci_arttext&pid=S0121-75772018000200067&lng=en&tlng=

Nasari, F., & Darma, S. (2015). Seminar Nasional Teknologi Informasi dan Multimedia 2015 PENERAPAN K-MEANS CLUSTERING PADA DATA PENERIMAAN MAHASISWA BARU (STUDI KASUS : UNIVERSITAS POTENSI UTAMA). 6–8.

Ndaumanu, R. I., & Kusrini, M. R. (n.d.). A,. 2014, Analisis Prediksi Tingkat Pengunduran Diri Mahasiswa dengan Metode K-Nearest Neighbor. Jatisi.

Susanto, H., & Sudiyatno, S. (2014). Data mining untuk memprediksi prestasi siswa berdasarkan sosial ekonomi, motivasi, kedisiplinan dan prestasi masa lalu. Jurnal Pendidikan Vokasi, 4(2), 222–231. https://doi.org/10.21831/jpv.v4i2.2547


Full Text: PDF

DOI: 10.24269/jkt.v6i2.1328

Refbacks

  • There are currently no refbacks.