Customer Segmentation Based on RFM Model Using K-Means, K-Medoids, and DBSCAN Methods

Abstract

A problem that appears in marketing activities is how to identify potential customers. Marketing activities could identify their best customer through customer segmentation by applying the concept of Data Mining and Customer Relationship Management (CRM). This paper presents the Data Mining process by combining the RFM model with K-Means, K-Medoids, and DBSCAN algorithms. This paper analyzes 334,641 transaction data and converts them to 1661 Recency, Frequency, and Monetary (RFM) data lines to identify potential customers. The K-Means, K-Medoids, and DBSCAN algorithms are very sensitive for initializing the cluster center because it is done randomly. Clustering is done by using two to six clusters. The trial process in the K-Means and K-Medoids Method is done using random centroid values ??and at DBSCAN is done using random Epsilon and Min Points, so that a cluster group is obtained that produces potential customers. Cluster validation completes using the Davies-Bouldin Index and Silhouette Index methods. The result showed that K-Means had the best level of validity than K-Medoids and DBSCAN, where the Davies-Bouldin Index yield was 0,33009058, and the Silhouette Index yield was 0,912671056. The best number of clusters produced using the Davies Bouldin Index and Silhouette Index are 2 clusters, where each K-Means, K-Medoids, and DBSCAN algorithms provide the Dormant and Golden customer classes.

Penerapan Algoritma K-Medoids Untuk Menentukan Segmentasi Pelanggan

“…Hal ini berguna untuk mengelola hubungan yang baik dengan pelanggan sehingga kepuasan pelanggan tercapai dan mendapatkan loyalitas [1]. Dalam penyusunan strategi pemasaran berorientasi pelanggan, segmentasi pelanggan dapat dimanfaatkan untuk mengidentifikasi karakteristik pelanggan dan mengelompokkan pelanggan berdasarkan perilaku atau kebiasaan yang sama [2], [3].…”

“…Pada bagian ini disajikan beberapa tinjauan literatur yang isi penelitiannya dijadikan sebagai acuan dalam penelitian ini. R.W.S Berahmana d.k.k [2], menyajikan penelitian yang menggunakan teknik clustering untuk menentukan segmentasi pelanggan. Dalam penelitian ini, penulis menggunakan algoritma K-Means, K-Medoids, dan DBSCAN yang diterapkan pada dataset transaksi tahunan dari bulan tahun 2013 sampai dengan 2018.…”

“…Algoritma K-Medoids atau sering dikenal sebagai PAM (Partitioning Around Medoids), merupakan algoritma yang menerapkan objek sebagai perwakilan di setiap cluster yaitu medoid [2]. Algoritma K-Medoids dapat meminimalkan jumlah perbedaan antara titik data dalam cluster dengan titik data terpilih di setiap cluster sebagai pusat (medoid) [15], [19].…”

Machine Learning Mini Batch K-means and Business Intelligence Utilization for Credit Card Customer Segmentation

“…The combination of K-means and ANN methods used SOM [21], [22]. Some other studies compared the clustering models between k-means, fuzzy c-means, Repetitive median K-Means [10], and between k-means, kmedoids, and DBSCAN [23].…”

Customer Segmentation berdasarkan Usia, Jumlah Kredit dan Lama Kredit Nasabah di Bank XYZ menggunakan Model K-Means Clustering

“…Segmentasi pelanggan akan menghasilkan segmen pelanggan yang masing-masing segmen memiliki karakteristik yang sama. Setiap cluster berisi titik-titik data dengan kemiripan yang tinggi tetapi berbeda secara signifikan dengan titik-titik data cluster lainnya (Sembiring Brahmana et al, 2020) Penelitian serupa sebelumnya telah dilakukan oleh (Sembiring Brahmana et al, 2020) dengan melakukan proses segmentasi nasabah bank menggunakan k-means, kmedoids, dan DBSCAN. Hasil penelitian menunjukkan bahwa k-menas memiliki tingkat vliditas yang paling baik dibandingkan medoids dan DBSCAN, dimana yield Davies-Bouldin Index sebesar 0,33 dan yield silhouette index sebesar 0,9126.…”