Article Per Year (5 Year)
p-Index From 2021 - 2026
0.23
P-Index
This Author published in this journals
All Journal Jurnal Ilmiah ILKOMINFO - Ilmu Komputer & Informatika
Lusi Damayanti
Institut Teknologi Nasional Malang
Computer Science & IT

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

 1 
Penerapan Algoritma K-Means Clustering Untuk Sistem Segmentasi Pelanggan Berdasarkan Model RFM (Studi Kasus: PT Sehati Bangunan Abadi) Lusi Damayanti; Ahmad Faisol; Nurlaily Vendyansyah
Jurnal Ilmiah ILKOMINFO - Ilmu Komputer & Informatika Vol 9, No 1 (2026): Januari
Publisher : Akademi Ilmu Komputer Ternate

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47324/ilkominfo.v9i1.414

Abstract

Abstrak: Penelitian ini bertujuan untuk melakukan segmentasi pelanggan berdasarkan data  transaksi menggunakan algoritma K-Means Clustering pada PT Sehati Bangunan Abadi (SBA) tahun 2024. Data yang digunakan mencakup tiga variabel utama, yaitu Recency, Frekuensi, dan Total Nominal, yang sebelumnya telah melalui proses pembersihan serta normalisasi agar setiap variabel memiliki skala yang seimbang. Proses pengelompokan dilakukan dengan menghitung jarak menggunakan rumus Euclidean Distance untuk menentukan kesamaan antar data. Hasil penelitian menunjukkan bahwa pelanggan dapat dikelompokkan menjadi tiga kategori, yaitu Prioritas, VVIP, dan VIP, dengan nilai Silhouette Score masing-masing sebesar 0.5884 untuk KAI, 0.5101 untuk End User, dan 0.6274 untuk Singres Member. Nilai tersebut menunjukkan bahwa hasil pengelompokan memiliki kualitas yang cukup baik.Kata kunci: K-Means Clustering, Segmentasi Pelanggan, Data MiningAbstract: This study aims to perform customer segmentation based on transaction data using the K-Means Clustering algorithm at PT Sehati Bangunan Abadi (SBA) in 2024. The data used includes three main variables, namely Recency, Frequency, and Total Amount, which have previously undergone a cleaning and normalization process to ensure that each variable has a balanced scale. The clustering process was carried out by calculating the distance using Euclidean Distance to determine the similarity between data points. The results show that customers can be grouped into three categories: Priority, VVIP, and VIP, with Silhouette Score values of 0.5864 for KAI, 0.51017 for End User, and 0.6274 for Singres Member. These values indicate that the clustering results have a fairly good quality.Keywords: K-Means Clustering, Customer Segmentation, Data Mining
Co-Authors Ahmad Faisol Nurlaily Vendyansyah