Segmentasi Pelanggan Menggunakan Algoritma K-Means Pada Jaringan Telekomunikasi Untuk Optimalisasi Strategi Pemasaran

Adhivia Julian

Abstract


Dalam era digital ini, industri telekomunikasi dihadapkan pada tantangan untuk memahami kebutuhan pelanggan yang semakin kompleks. Penelitian ini mengimplementasikan algoritma K-Means untuk segmentasi pelanggan, dengan tujuan utama mengidentifikasi pola perilaku serta merumuskan strategi pemasaran yang lebih efektif. Melalui pendekatan Knowledge Discovery in Databases(KDD), penelitian ini mencakup tahapan seleksi data, pra-pemrosesan, transformasi, penambangan data (data mining), dan evaluasi pola. Data yang dianalisis meliputi informasi mengenai jenis layanan, kecepatan internet, tipe perangkat, dan lokasi pelanggan. Algoritma K-Means diaplikasikan untuk mengelompokkan pelanggan berdasarkan kesamaan perilaku, dengan jumlah klaster optimal ditentukan menggunakan metrik Davies-Bouldin Index (DBI). Hasil analisis menghasilkan tiga klaster, yakni pelanggan dengan kebutuhan layanan dasar, pengguna layanan internet berkecepatan rendah yang sensitif terhadap harga, serta pengguna layanan internet intensif yang jarang me-manfaatkan fitur tambahan. Strategi pemasaran yang diusulkan mencakup penawaran paket hemat, promosi bundling, dan edukasi tentang manfaat fitur tambahan. Evaluasi menggunakan DBI menunjukkan nilai sebesar 0,055, yang mengindikasikan bahwa klaster yang dihasilkan memiliki kualitas yang baik. Penelitian ini menunjukkan efektivitas algoritma K-Means dalam segmentasi pelanggan, sekaligus memberikan dasar bagi perusahaan telekomunikasi untuk meningkatkan loyal-itas dan retensi pelanggan melalui strategi pemasaran yang lebih terarah. Penelitian ini juga mena-warkan peluang untuk eksplorasi lebih lanjut dalam penerapan data mining di sektor telekomunikasi jaringan.


Keywords


Segmentasi Pelanggan, Algoritma K-Means, Telekomunikasi, Strategi Pemasaran, Data Mining.

Full Text:

PDF

References


S. F. Djun, I. G. A. Gunadi, and S. Sariyasa, “Analisis Segmentasi Pelanggan pada Bisnis dengan Menggunakan Metode K-Means Clustering pada Model Data RFM,” JTIM J. Teknol. Inf. dan Multimed., vol. 5, no. 4, pp. 354–364, 2024, doi: 10.35746/jtim.v5i4.434.

N. H. Harani, C. Prianto, and F. A. Nugraha, “Segmentasi Pelanggan Produk Digital Service Indihome Menggunakan Algoritma K-Means Berbasis Python,” J. Manaj. Inform., vol. 10, no. 2, pp. 133–146, 2020, doi: 10.34010/jamika.v10i2.2683.

Novi and A. Mubarok, “Penerapan Algoritma K-Means untuk Menentukan Kelas Unggulan di SMP Pelita Bandung,” Infomatek, vol. 32, no. 2, pp. 97–106, 2021, doi: 10.23969/infomatek.v23i2.4351.

Y. Wicaksono, “Segmentasi Pelanggan Bisnis Dengan Multi Kriteria Menggunakan K-Means,” vol. 1, no. 2, p. 45, 2019, doi: 10.21927/ijubi.v1i2.872.

F. D. S. Alhamdani, A. A. Dianti, and Y. Azhar, “Segmentasi Pelanggan Berdasarkan Perilaku Penggunaan Kartu Kredit Menggunakan Metode K-Means Clustering,” JISKA (Jurnal Inform. Sunan Kalijaga), vol. 6, no. 2, pp. 70–77, 2021, doi: 10.14421/jiska.2021.6.2.70-77.

. Anam, R. Rusyana, B. Nurhakim, and D. Pratama, “Analisis Tingkat Penggunaan Gadget pada Anak Usia Dini dengan menggunakan K-Mean,” J. Inform. dan Rekayasa Perangkat Lunak, vol. 6, no. 1, 2024.

N. Rohman and A. Wibowo, “Perbandingan Metode K-Medoids dan Metode K-Means Dalam Analisis Segmentasi Pelanggan Mall,” SINTECH (Science Inf. Technol. J., vol. 7, no. 1, pp. 49–58, 2024, doi: 10.31598/sintechjournal.v7i1.1507.

K. Z. Wijaya, A. Djunaidi, and F. Mahananto, “Segmentasi Pelanggan Menggunakan Algoritma K-Means dan Analisis RFM di Ova Gaming E-Sports Arena Kediri,” J. Tek. ITS, vol. 10, no. 2, 2021, doi: 10.12962/j23373539.v10i2.67707.

A. H. Fazri, A. Muhammad, P. Ayu, and W. Purnama, “Algoritma K-Means Cluster untuk Segmentasi Pelanggan,” Cbis J., vol. 11, no. 02, pp. 42–51, 2023.

S. Maulani, O. Herdiana, and E. A. Firdaus, “Strategi Pemasaran Produk Industri Kreatif Menggunakan Algoritma K-Means Clustering Berbasis Particle Swarm Optimization,” Nuansa Inform., vol. 15, no. 2, pp. 1–13, 2021, doi: 10.25134/nuansa.v15i2.4394.

S. Pujiono, R. Astuti, and F. Muhamad Basysyar, “Implementasi Data Mining Untuk Menentukan Pola Penjualan Produk Menggunakan Algoritma K-Means Clustering,” JATI (Jurnal Mhs. Tek. Inform., vol. 8, no. 1, pp. 615–620, 2024, doi: 10.36040/jati.v8i1.8360.

S. Sajidah, R. Herdiana, and D. Solihudin, “Segmentasi Pelanggan Salon Nuii Beauty Glow Menggunakan K-Means Clustering,” JATI (Jurnal Mhs. Tek. Inform., vol. 7, no. 1, pp. 558–566, 2023, doi: 10.36040/jati.v7i1.6333.

M. Syam Al ghifari, M. Martanto, and U. Hayati, “Pengelompokan Transaksi Penjualan Aksesoris Hp Dan Pulsa Dengan Metode K-Means Untuk Meningkatkan Strategi Pemasaran Di Toko Bagus Celluler,” JATI (Jurnal Mhs. Tek. Inform., vol. 8, no. 3, pp. 2838–2849, 2024, doi: 10.36040/jati.v8i3.9559.

M. R. Sulistio, N. Suarna, and O. Nurdiawan, “Analisa Penerapan Metode Clustering X-Means Dalam Pengelompokan Penjualan Barang,” J. Teknol. Ilmu Komput., vol. 1, no. 2, pp. 37–42, 2023, doi: 10.56854/jtik.v1i2.49.

T. Hartati, O. Nurdiawan, and E. Wiyandi, “Analisis Dan Penerapan Algoritma K-Means Dalam Strategi Promosi Kampus Akademi Maritim Suaka Bahari,” J. Sains Teknol. Transp. Marit., vol. 3, no. 1, pp. 1–7, 2021, doi: 10.51578/j.sitektransmar.v3i1.30.




DOI: https://doi.org/10.32487/jtt.v13i1.2436

Refbacks

  • There are currently no refbacks.


JTT (Jurnal Teknologi Terpadu) has been indexed by:

 

 

 

 

 

 

 

 

 

Web Analytics

JTT Visitor Stats