KLASTERISASI PENGUNJUNG MALL MENGGUNAKAN ALGORITMA K-MEANS BERDASARKAN PENDAPATAN DAN PENGELUARAN

Bima Yudha Putra; Fathya Yuanita Azzahra; Ira Alfrina Erlanda

doi:10.23960/jitet.v11i3s1.3392

Bima Yudha Putra
Institut Teknologi Telkom Purwokerto
Fathya Yuanita Azzahra
Institut Teknologi Telkom Purwokerto
Ira Alfrina Erlanda
Institut Teknologi Telkom Purwokerto

DOI: https://doi.org/10.23960/jitet.v11i3s1.3392

Abstract Views (Last 12 Months)

1026 Abstract Views

882 Downloads

Abstract

Pada penelitian ini, dilakukan analisis clustering terhadap data pelanggan mall dengan tujuan untuk membantu manajer dan tim pemasaran dalam merumuskan strategi guna meningkatkan pendapatan mall. Langkah-langkah dalam penelitian ini meliputi studi literatur, analisis dataset, identifikasi masalah, dan menentukan karakteristik clustering. Data mining digunakan sebagai teknik untuk mendapatkan informasi yang bernilai dari data pelanggan mall yang memiliki volume besar dan bersifat tidak teratur. Dengan pemahaman yang mendalam tentang karakteristik pengunjung mall, strategi yang lebih efektif dapat dirancang untuk menarik pengunjung baru, meningkatkan retensi pengunjung yang sudah ada, dan menciptakan pengalaman belanja yang lebih menarik. Dataset yang digunakan dalam penelitian ini adalah dataset pelanggan mall yang diperoleh dari Kaggle. Dalam dataset ini, karakteristik pelanggan dianalisis berdasarkan tingkat pendapatan tahunan, usia, jenis kelamin, dan frekuensi kunjungan. Hasil clustering ini dapat membantu manajer dan tim pemasaran dalam mengidentifikasi kelompok pelanggan yang lebih disukai dan kurang disukai, serta mengevaluasi efisiensi dan efektivitas kegiatan bisnis perusahaan dalam memberikan layanan yang sesuai untuk berbagai jenis pelanggan dengan harga yang tepat.

Downloads

Download data is not yet available.

References

T. M. Dista and F. F. Abdulloh, “Clustering Pengunjung Mall Menggunakan Metode K-Means dan Particle Swarm Optimization,” JURNAL MEDIA INFORMATIKA BUDIDARMA, vol. 6, no. 3, p. 1339, Jul. 2022, doi: 10.30865/mib.v6i3.4172.

G. Schuh et al., “Data mining definitions and applications for the management of production complexity,” in Procedia CIRP, Elsevier B.V., 2019, pp. 874–879. doi: 10.1016/j.procir.2019.03.217.

R. Savitri, “PUSAT PERBELANJAAN MODERN (MALL) DENGAN PENEKANAN RUANG TERBUKA PUBLIK,” 2018.

G. Febrina Wulandari, “SEGMENTASI PELANGGAN MENGGUNAKAN ALGORITMA K-MEANS UNTUK CUSTOMER RELATIONSHIP MANAGEMENT (CRM) PADA HIJAB MIULAN,” 2020.

N. Dhanachandra, K. Manglem, and Y. J. Chanu, “Image Segmentation Using K-means Clustering Algorithm and Subtractive Clustering Algorithm,” in Procedia Computer Science, Elsevier, 2015, pp. 764–771. doi: 10.1016/j.procs.2015.06.090.

M. Honda Lombok Timur Nusa Tenggara Barat Yahya, “Penggunaan Algoritma K-Means Untuk Menganalisis Pelanggan Potensial Pada Dealer SPS,” Jurnal Informatika dan Teknologi, vol. 2, no. 2, pp. 109–118, 2019.

O. Dogan, J. L. Bayo-Monton, C. Fernandez-Llatas, and B. Oztaysi, “Analyzing of gender behaviors from paths using process mining: A shopping mall application,” Sensors (Switzerland), vol. 19, no. 3, Feb. 2019, doi: 10.3390/s19030557.

N. Putu, E. Merliana, and A. J. Santoso, PROSIDING SEMINAR NASIONAL MULTI DISIPLIN ILMU & CALL FOR PAPERS UNISBANK (SENDI_U) Kajian Multi Disiplin Ilmu untuk Mewujudkan Poros Maritim dalam Pembangunan Ekonomi Berbasis Kesejahteraan Rakyat ANALISA PENENTUAN JUMLAH CLUSTER TERBAIK PADA METODE K-MEANS CLUSTERING. 2015.

M. Benri, H. Metisen, and S. Latipa, “ANALISIS CLUSTERING MENGGUNAKAN METODE K-MEANS DALAM PENGELOMPOKKAN PENJUALAN PRODUK PADA SWALAYAN FADHILA,” 2015.

N. W. Rohmawati, S. Defiyanti, M. Jajuli, and T. H. Informatika Fakultas Ilmu Komputer Universitas Singaperbangsa Karawang Jl Ronggowaluyo Telukjambe Timur Karawang, “IMPLEMENTASI ALGORITMA K-MEANS DALAM PENGKLASTERAN MAHASISWA PELAMAR BEASISWA,” 2015.

V. Annisa Ekasetya and A. Jananto, “KLUSTERISASI OPTIMAL DENGAN ELBOW METHOD UNTUK PENGELOMPOKAN DATA KECELAKAAN LALU LINTAS DI KOTA SEMARANG,” Dinamika Informatika, vol. 12, no. 1, pp. 20–28, 2020.