ANALISIS RECENCY FREQUENCY MONETARY DAN K-MEANS CLUSTERING PADA KLINIK GIGI UNTUK MENENTUKAN SEGMENTASI PASIEN
Dengan semakin berkembangnya persaingan bisnis, agar mendapatkan pasien lebih banyak dan kepuasan pelayanan terhadap pasien, maka perusahaan harus mempunyai strategi. Palapa Dentists belum mengadopsi strategi CRM (Customer Relationship Management) masih memperlakukan semua pasien dengan pendekatan...
| Автори: | , , |
|---|---|
| Формат: | Стаття |
| Мова: | English |
| Опубліковано: |
Universitas Serang Raya
2023-03-01
|
| Серія: | JSiI (Jurnal Sistem Informasi) |
| Онлайн доступ: | https://e-jurnal.lppmunsera.org/index.php/jsii/article/view/5999 |
| Резюме: | Dengan semakin berkembangnya persaingan bisnis, agar mendapatkan pasien lebih banyak dan kepuasan pelayanan terhadap pasien, maka perusahaan harus mempunyai strategi. Palapa Dentists belum mengadopsi strategi CRM (Customer Relationship Management) masih memperlakukan semua pasien dengan pendekatan yang sama. Berdasarkan permasalahan tersebut maka diperlukan data mining menggunakan teknik cluster untuk mengetahui karakteristik setiap pasien. Penelitian ini menggunakan metode RFM (Recency Frequency Monetary) dan K-Means Clustering dengan tujuan menentukan segmentasi pasien dan memilih kelompok pasien mana yang paling menguntungkan bagi perusahaan. Penentuan jumlah cluster menggunakan elbow method yang menghasilkan jumlah cluster terbaik adalah 2. Silhouette score menghasilkan jumlah 2 cluster dengan score 0.6014345457538962. Sedangkan hasil davies-bouldin score menunjukan cluster optimal dengan 3 cluster tapi skornya 0.7500785223208264 masih jauh dari 0. Cluster 1 memiliki 17.413 anggota dan cluster 2 memiliki 2.068 anggota. Cluster 1 memiliki nilai rata-rata recency 641,63, frequency 3,21, dan monetary Rp. 2.424.251,98. Sedangkan cluster 2 memiliki nilai rata-rata recency 286,87, frequency 19,32, dan monetary Rp. 20.087.467,49. Dapat disimpulkan cluster 2 adalah kelompok pasien yang lebih menguntungkan dibandingkan cluster 1.
Kata kunci: Customer Relationship Management, Segmentasi, RFM, K-Means Clustering, Cluster
|
|---|---|
| ISSN: | 2406-7768 2581-2181 |