The Customer Profiling berdasarkan Model RFM dengan Metode K-Means pada Institusi Pendidikan untuk menunjang Strategi Bisnis di Masa Pandemi Covid-19

Luh Putu Wiwien Widhyastuti; I. N. Sukajaya; Kadek Yota Ernanda Aryanto

doi:10.35746/jtim.v4i2.232

Luh Putu Wiwien Widhyastuti Universitas Pendidikan Ganesha
I. N. Sukajaya Universitas Pendidikan Ganesha
Kadek Yota Ernanda Aryanto Universitas Pendidikan Ganesha

DOI: https://doi.org/10.35746/jtim.v4i2.232

Keywords: customer profiling, marketing srategy, RFM model, k-means method

Abstract

Idealnya sebuah perguruan tinggi harus bisa beradaptasi untuk tetap membuat bisnisnya bertahan dan berkelanjutan dalam situasi apapun, seperti pandemi saat ini yang berdampak pada berbagai sektor termasuk sektor pendidikan seperti perguruan tinggi X di Denpasar, Bali. Berdasarkan data pada bagian pemasaran di perguruan tinggi X, terdapat penurunan jumlah penerimaan mahasiswa baru jika dibandingkan saat kondisi normal dengan saat pandemi berlangsung serta belum teridentifikasinya profil kelompok pelanggan potensial di perguruan tinggi tersebut. Solusi yang dapat dilakukan adalah melakukan identifikasi karakteristik pelanggan potensial / customer profiling pada perguruan tinggi X sehingga dapat diketahui kelompok pelanggan potensial pada perguruan tinggi X. Customer profiling dilakukan dengan Model RFM (Recency, Frequency, Monetary) dan metode data mining, yaitu K-Means terhadap data transaksi mahasiswa selama tahun 2019 - 2020. Penelitian ini bertujuan untuk mengidentifikasi profil karakteristik pelanggan yang ada pada perguruan tinggi X dan mendapatkan rekomendasi strategi pemasaran di masa mendatang berdasarkan hasil profiling tersebut. Berdasarkan hasil analisis didapatkan karakteristik dari empat (4) kelompok profil pelanggan pada Perguruan Tinggi X, yaitu “Sangat Potensial”, “Potensial”, “Netral” dan “Tidak Potensial”. Kemudian didapatkan juga rekomendasi strategi pemasaran yaitu strategi retensi untuk kelompok “Sangat Potensial” dan “Potensial”, strategi Up Sell untuk kelompok “Sangat Potensial”, “Potensial” dan “Netral”, strategi Cross Sell untuk kelompok “Sangat Potensial”, “Potensial” dan “Netral” serta strategi promosi untuk seluruh kelompok pelanggan di Perguruan Tinggi X.

Downloads

Download data is not yet available.

References

[1] S. Hanoatubun, “Dampak Covid-19 Terhadap Perekonomian Indonesia,” J. od Educ. Psychol. Couns., vol. 2, no. 1, pp. 146–153, 2020.
[2] D. B. Atyanto, M. ER, and R. Soelaiman, “Customer Profiling dengan Menggunakan K-Means Clustering untuk Mendukung Pengambilan Keputusan Strategis di PT. Pelabuhan Indonesia III (Persero),” Pros. Semin. Nas. Manaj. Teknol. XIV, 2011.
[3] F. Sulianta, “Customer Profiling Pada Supermarket Menggunakan Algoritma K-Means Dalam Memilih Produk Berdasarkan Selera Konsumen Dengan Daya Beli Maksimum,” J. Ilm. Teknol. Inf. Terap., vol. 1, no. 1, pp. 41–45, 2014.
[4] R. Insani, H. L. Soemitro, C. Segmentation, D. Warehouse, and D. Mining, “Business intelligence for profiling of telecommunication customers,” Second Asia Pacific Conf. Adv. Res. (APCAR, Melbourne, February, 2016), no. 2012, pp. 289–297, 2016.
[5] I. Maryani and D. Riana, “Clustering and profiling of customers using RFM for customer relationship management recommendations,” 2017 5th Int. Conf. Cyber IT Serv. Manag. CITSM 2017, pp. 2–7, 2017, doi: 10.1109/CITSM.2017.8089258.
[6] S. Hartini, W. Gata, S. Kurniawan, H. Setiawan, and K. Novel, “Cosmetics Customer Segmentation and Profile in Indonesia Using Clustering and Classification Algorithm,” J. Phys. Conf. Ser., vol. 1641, no. 1, 2020, doi: 10.1088/1742-6596/1641/1/012001.
[7] A. F. Ayutrisula and A. Fanani, “Customer Profiling dengan Menggunakan Metode K-Means Euclidean Distance di BPJS Ketenagakerjaan Tanjung Perak,” J. Mhs. Mat. Algebr., vol. 1, no. 1, pp. 157–168, 2020.
[8] A. D. Savitri, F. A. Bachtiar, and N. Y. Setiawan, “Segmentasi Pelanggan Menggunakan Metode K-Means Clustering Berdasarkan Model RFM Pada Klinik Kecantikan (Studi Kasus : Belle Crown Malang),” J. Pengemb. Teknol. Inf. dan Ilmu Komput. Univ. Brawijaya, vol. 2, no. 9, pp. 2957–2966, 2018.
[9] Y. R. Rahadian and B. Syairudin, “Segmentation Analysis of Students in X Course with RFM Model and Clustering,” J. Sos. Hum., vol. 0, no. 1, p. 59, 2020, doi: 10.12962/j24433527.v0i1.6776.
[10] Y. Mardi, “Data Mining : Klasifikasi Menggunakan Algoritma C4 . 5,” J. Edik Inform., vol. 2, no. 2, pp. 213–219, 2016.
[11] K. Hasegawa and K. Funatsu, Knowledge-Oriented Applications in Data Mining. Croatia: InTech, 2011. doi: 10.5772/1824.
[12] D. P. Hidayatullah, R. I. Rokhmawati, and A. R. Perdanakusuma, “Analisis Pemetaan Pelanggan Potensial Menggunakan Algoritma K-Means dan LRFM Model Untuk Mendukung Strategi Pengelolaan Pelanggan (Studi Pada Maninjau Center Kota Malang),” J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 2, no. 8, pp. 2404–2415, 2018, [Online]. Available: http://j-ptiik.ub.ac.id/index.php/j-ptiik/article/view/1769
[13] P. Rojlertjanya, “Customer Segmentation Based on the Rfm Analysis Model,” 2019.