digilib@itb.ac.id +62 812 2508 8800

ABSTRAK Ricky Hardian Razzaq
PUBLIC Dewi Supryati

COVER - Ricky Hardian Razzaq.pdf
Terbatas  Dewi Supryati
» Gedung UPT Perpustakaan

BAB I - Ricky Hardian Razzaq.pdf
Terbatas  Dewi Supryati
» Gedung UPT Perpustakaan

BAB II - Ricky Hardian Razzaq.pdf
Terbatas  Dewi Supryati
» Gedung UPT Perpustakaan

BAB III - Ricky Hardian Razzaq.pdf
Terbatas  Dewi Supryati
» Gedung UPT Perpustakaan

BAB IV - Ricky Hardian Razzaq.pdf
Terbatas  Dewi Supryati
» Gedung UPT Perpustakaan

BAB V - Ricky Hardian Razzaq.pdf
Terbatas  Dewi Supryati
» Gedung UPT Perpustakaan

BAB VI - Ricky Hardian Razzaq.pdf
Terbatas  Dewi Supryati
» Gedung UPT Perpustakaan

PUSTAKA Ricky Hardian Razzaq
Terbatas  Dewi Supryati
» Gedung UPT Perpustakaan

LAMPIRAN - Ricky Hardian Razzaq.pdf
Terbatas  Dewi Supryati
» Gedung UPT Perpustakaan

Penelitian ini bertujuan untuk merancang suatu model customer segmentation dan targeting pelanggan PT X di Kota Y menggunakan metode data mining dan Multi-Criteria Decision Making (MCDM) berdasarkan data transaksi pelanggan. PT X merupakan perusahaan B2B (Business-to-Business) yang bergerak di industri Managed Print Services. PT X saat ini memiliki lebih dari 25 kantor cabang di seluruh Indonesia, salah satunya di Kota Y. PT X di Kota Y mengalami penurunan performansi retensi pelanggan selama tiga tahun terakhir. Hal ini disebabkan oleh PT X di Kota Y melakukan strategi retensi yang belum terdiferensiasi karena tidak adanya informasi segmentasi pelanggan dan pelanggan-pelanggan yang sebaiknya diprioritaskan. Akar masalah dari permasalahan yang dihadapi PT X di Kota Y yaitu ketidaktahuan pihak perusahaan tentang bagaimana merancang model customer segmentation dan targeting berdasarkan data yang mereka miliki. Metodologi yang digunakan pada penelitian ini adalah Cross-Industry Standard Process for Data mining (CRISP-DM). Model customer segmentation dan targeting dirancang menggunakan alternatif algoritma partitioning clustering, yaitu k-means clustering, k-medoids clustering dan CLARA berdasarkan model RFM (Recency, Frequency dan Monetary). Salah satu algoritma MCDM yaitu Analytic Hierarchy Process (AHP) digunakan untuk menentukan bobot prioritas relatif variabel dari model RFM dalam perhitungan Customer Lifetime Value (CLV) setiap segmen pelanggan. CLV segmen pelanggan menjadi dasar dalam customer targeting. Penelitian ini menghasilkan model k-means clustering sebagai model customer segmentation dan targeting terbaik dengan nilai average silhouette width sebesar 0.45 dan Davies-bouldin index sebesar 0.946. Penelitian juga menghasilkan prototipe aplikasi yang dibuat menggunakan shny web app package di RStudio.