Pengklasteran Data Pelanggan Dari Aplikasi Mobile Untuk Penentuan Strategi Pemasaran Produk PLN

Kurnia Aji  Tritamtama; Diana Purwitasari

doi:10.37823/insight.v5i2.323

Authors

Kurnia Aji Tritamtama Institut Teknologi Sepuluh Nopember
Diana Purwitasari Institut Teknologi Sepuluh Nopember

DOI:

https://doi.org/10.37823/insight.v5i2.323

Keywords:

Klastering, PLN Mobile, RFM, K-Means, Strategi Pemasaran

Abstract

Perkembangan teknologi dan internet memungkinkan pengguna bertransaksi melalui aplikasi seluler, termasuk pembayaran tagihan dan pembelian token listrik. Aplikasi PLN Mobile telah diunduh lebih dari 35 juta pengguna sejak 2016. Pertumbuhan pengguna juga meningkatkan riwayat transaksi listrik. Data tersebut belum dimanfaatkan oleh PLN UID Sulselrabar. Menariknya kinerja penjualan selama empat bulan terakhir menunjukkan adanya masalah di akhir tahun 2023. Penelitian ini menggunakan model Recency-Frequency-Monetary (RFM) dengan mengamati riwayat transaksi listrik selama satu tahun terakhir pada aplikasi PLN Mobile, untuk membantu perusahaan dalam menentukan strategi pemasaran efektif. Data dari Virtual Command Center PLN tanggal 11 Januari 2023 digunakan untuk memodelkan RFM dengan mengkategorikan dan mengevaluasi perilaku pelanggan berdasarkan tiga faktor: recency (jarak transaksi), frequency (jumlah transaksi), dan monetary (total nilai transaksi). Setelah itu, klaster-klaster akan diberi label berdasarkan karakteristik anggotanya dan strategi pemasaran akan ditentukan untuk setiap target pasar yang dipilih. Hasil analisis menunjukkan bahwa model RFM berguna untuk menganalisis perilaku pelanggan dan memberikan segmentasi yang bernilai bagi perusahaan. Terdapat 3 klaster yang dihasilkan, yaitu Dormant Customers, Typical Customers, dan ‘Everyday’ Shoppers. Berdasarkan model RFM, dipilih pendekatan Full Market Coverage dan Multiple Segment Specialization dalam menentukan target pasar. Hal ini memudahkan dalam merumuskan strategi pemasaran dalam upaya untuk meningkatkan kinerja penjualan perusahaan.

References

M. H. Kusuma and S. E. Rahim, “The effectiveness of the new PLN mobile application in improving service quality, customer satisfaction, and electrifying lifestyle during the new normal period in Tanjung pandan city,” IOP Conference Series: Earth and Environmental Science, vol. 913, no. 1. IOP Publishing Ltd, Dec. 02, 2021. doi: 10.1088/1755-1315/913/1/012050.

B. Shen, “E-commerce Customer Segmentation via Unsupervised Machine Learning,” in ACM International Conference Proceeding Series, Association for Computing Machinery, Jan. 2021. doi: 10.1145/3448734.3450775.

E. Ernawati, S. S. K. Baharin, and F. Kasmin, “A review of data mining methods in RFM-based customer segmentation,” in Journal of Physics: Conference Series, IOP Publishing Ltd, Apr. 2021. doi: 10.1088/1742-6596/1869/1/012085.

P. Anitha and M. M. Patil, “RFM model for customer purchase behavior using K-Means algorithm,” Journal of King Saud University - Computer and Information Sciences, vol. 34, no. 5, pp. 1785–1792, May 2022, doi: 10.1016/j.jksuci.2019.12.011.

J. Wu et al., “An Empirical Study on Customer Segmentation by Purchase Behaviors Using a RFM Model and K -Means Algorithm,” Math Probl Eng, vol. 2020, 2020, doi: 10.1155/2020/8884227.

P. Baines, C. Fill, and K. Page, Essentials of Marketing. Oxford University Press, 2013.

N. Puspitasari, J. A. Widians, and N. B. Setiawan, “Customer segmentation using bisecting k-means algorithm based on recency, frequency, and monetary (RFM) model,” Jurnal Teknologi dan Sistem Komputer, vol. 8, no. 2, pp. 78–83, Apr. 2020, doi: 10.14710/jtsiskom.8.2.2020.78-83.

F. Cappa, R. Oriani, E. Peruffo, and I. McCarthy, “Big Data for Creating and Capturing Value in the Digitalized Environment: Unpacking the Effects of Volume, Variety, and Veracity on Firm Performance*,” Journal of Product Innovation Management, vol. 38, no. 1, pp. 49–67, Jan. 2021, doi: 10.1111/jpim.12545.

N. S. A. Samad, S. F. Muhamad, A. H. A. Rahman, C. Sulaiman, N. Othman, and N. F. Shaari, “Mobile Commerce Application Moving Towards Sustainability,” in IOP Conference Series: Earth and Environmental Science, Institute of Physics, 2022. doi: 10.1088/1755-1315/1102/1/012032.

K. Z. Wijaya, A. Djunaidy, and F. Mahananto, “Segmentasi Pelanggan Menggunakan Algoritma K-Means dan Analisis RFM di Ova Gaming E-Sports Arena Kediri,” JURNAL TEKNIK ITS, vol. 10, no. 2, pp. 230–237, 2021.

A. J. Christy, A. Umamakeswari, L. Priyatharsini, and A. Neyaa, “RFM ranking – An effective approach to customer segmentation,” Journal of King Saud University - Computer and Information Sciences, vol. 33, no. 10, pp. 1251–1257, Dec. 2021, doi: 10.1016/j.jksuci.2018.09.004.

R. W. B. S. Brahmana, F. A. Mohammed, and K. Chairuang, “Customer Segmentation Based on RFM Model Using K-Means, K-Medoids, and DBSCAN Methods,” Lontar Komputer: Jurnal Ilmiah Teknologi Informasi, vol. 11, no. 1, pp. 32–43, Apr. 2020, doi: 10.24843/lkjiti.2020.v11.i01.p04.

J. Han, M. Kamber, and J. Pei, “Data Mining. Concepts and Techniques, 3rd Edition (The Morgan Kaufmann Series in Data Management Systems),” 2011.

S. Hwang and Y. Lee, “Identifying customer priority for new products in target marketing: Using RFM model and TextRank,” Innovative Marketing, vol. 17, no. 2, pp. 125–136, Jun. 2021, doi: 10.21511/im.17(2).2021.12.

B. Basri, W. Gata, and R. Risnandar, “Analisis Loyalitas Pelanggan Berbasis Model Recency, Frequency, dan Monetary (RFM) dan Decision Tree pada PT. Solo,” Jurnal Teknologi Informasi dan Ilmu Komputer, vol. 7, no. 5, p. 943, Oct. 2020, doi: 10.25126/jtiik.2020752284.

A. Wibowo and A. R. Handoko, “Segmentasi Pelanggan Ritel Produk Farmasi Obat Menggunakan Metode Data Mining Klasterisasi dengan Analisis Recency Frequency Monetary (RFM) Termodifikasi,” Jurnal Teknologi Informasi dan Ilmu Komputer, vol. 7, no. 3, pp. 573–579, 2020, doi: 10.25126/jtiik.202072925.

J. Wu et al., “User Value Identification Based on Improved RFM Model and K-Means++ Algorithm for Complex Data Analysis,” Wirel Commun Mob Comput, vol. 2021, 2021, doi: 10.1155/2021/9982484.

L. Kaufman and P. J. Rousseeuw, Finding Groups in Data An Introduction to Cluster Analysis. Hoboken, New Jersey: John Wiley & Sons, Inc, 2005.

B. E. Adiana, I. Soesanti, and A. E. Permanasari, “Analisis Segmentasi Pelanggan Menggunakan Kombinasi RFM Model dan Teknik Clustering,” Jurnal Terapan Teknologi Informasi, vol. 2, no. 1, pp. 23–32, 2018, doi: 10.21460/jutei.2017.21.76.

K. Tsiptsis and A. Chorianopoulos, Data Mining Techniques in CRM: Inside Customer Segmentation, 1st ed. Athens, Greece: John Wiley & Sons, Ltd, 2009.

M. G. Bulmer, Principles of Statistics (Dover Books on Mathematics), 3rd ed. New York: Dover Publications, 1979.

P. Kotler and K. L. Keller, Marketing Management, 15th ed. Harlow, Essex (England): Pearson Education Limited, 2016.