CUSTOMER PROFILING MENGGUNAKAN K-HARMONIC MEANS CLUSTERING DAN FUZZY RFM

Perilaku berbelanja pelanggan yang dinamis mengakibatkan perusahaan sulit dalam mengenali kemampuan belanja setiap pelanggan. Untuk itu diperlukan customer profiling sehingga perusahan dapat menerapkan strategi berupa penawaran barang sejenis sesuai dengan kelas pelanggan dan pemberian kupon belanja kepada kelas pelanggan yang memiliki kemampuan belanja tinggi. Customer Profiling dapat dilakukan dengan teknik clustering. Salah satu metode yang bagus dalam melakukan clustering adalah K-Harmonic Means. KHarmonic Means merupakan metode center-based cluster dimana pembentukan clusters disempurnakan dengan cara iteratif berdasarkan letak titik pusat dari masing-masing cluster. Penentuan kelas pelanggan akan dilakukan dengan metode Fuzzy RFM berdasarkan hasil dari clustering yang dilakukan sebelumnya. Dari hasil pengujian K-Harmonic Means dengan membandingkan nilai fungsi tujuan KHM(X,C) menggunakan periode data 4 bulan (Januari-April 2017), dengan jumlah transaksi sebanyak 10455 dan pelanggan sebanyak 500 maka didapatkan jumlah cluster optimal untuk parameter 2 adalah 6 cluster dan untuk parameter 3 adalah 8 cluster. Selain itu, kustomisasi nilai pada kriteria fuzzy RFM akan menghasilkan customer profiling yang berbeda.