ANALISIS SEGMENTASI PELANGGAN
PT TELEKOMUNIKASI INDONESIA, TBK.
DAERAH OPERASIONAL BANDUNG BARAT
MENGGUNAKAN K-MEANS ALGORITHM UNTUK
CUSTOMER PRIORITY PROGRAM

Mochammad Sunan Hidayat

Informasi Umum

Kode

112090020

Klasifikasi

658.812 - Customer relationships, Claims, Complaints, Returns, Servicing of products

Jenis

Karya Ilmiah - Skripsi (S1) - Reference

Subjek

Customer Relationships

Dilihat

819 kali

Informasi Lainnya

Abstraksi

Dalam rangka meningkatkan revenue dan loyalitas pelanggan, pada tahun 2012 PT. Telkom mengeluarkan Customer Priority Program (CPP) yang dikhususkan bagi segmen pelanggan yang memiliki total tagihan layanan Plain Old Telephone Service (POTS), Speedy, dan Groovia lebih dari Rp1.000.000,00. Namun dalam tahun pertama pelaksanaannya, revenue yang dihasilkan segmen pelanggan CPP cenderung menurun, sehingga PT. Telkom perlu memperbaiki proses segmentasi untuk menentukan pelanggan CPP.<br><br>Teknik K-means Algorithm dalam pendekatan Data Mining merupakan salah satu alat yang dapat digunakan untuk memperbaiki proses segmentasi pelanggan CPP. Proses pemodelan segmentasi berpedoman pada metodologi Cross-Industry Standard Process for Data Mining (CRISP-DM) yang dilakukan dalam software IBM SPSS Modeler 14.1. Dalam teknik K-means Algorithm, jumlah cluster ditentukan dengan metode trial and error untuk jumlah cluster dua sampai lima. Pada tahap data preparation, dilakukan normalisasi dengan metode z-score untuk meningkatkan kualitas hasil pemodelan.<br><br>Terdapat dua jenis pelanggan yang akan disegmentasikan, yaitu pelanggan POTS yang hanya menggunakan layanan POTS dan pelanggan Speedy yang menggunakan layanan POTS dan Speedy. Segmentasi pelanggan POTS dilakukan berdasarkan dua atribut, yaitu tagihan pelanggan dan usia berlangganan. Sedangkan untuk pelanggan Speedy berdasarkan tiga atribut, yaitu tagihan pelanggan, usia berlangganan, dan frekuensi pemakaian. Jumlah cluster yang dihasilkan dari pemodelan pelanggan POTS adalah tiga cluster, cluster-2 sebagai cluster dengan profil terbaik dan menjadi calon pelanggan CPP. Sedangkan, untuk pemodelan pelanggan Speedy dihasilkan dua cluster, cluster-2 juga sebagai cluster dengan profil terbaik dan menjadi calon pelanggan CPP. K-means Algorithm, Data Mining, CRISP-DM, Loyalitas Pelanggan, POTS, Speedy