Hasil Pencarian  ::  Simpan CSV :: Kembali

"Dengan adanya teknologi, pelaku usaha dapat memanfaatkannya sebagai salah satu faktor pendorong peningkatan operasional bisnis menjadi lebih efisien. Peningkatan jumlah pengguna yang beralih ke mesin kasir modern mengakibatkan kemunculan perusahaan penyedia dengan layanan dan harga yang tidak jauh berbeda. Di Indonesia perusahaan penyedia meisn kasir modern bersaing untuk dapat mempertahankan pelanggannya. Penelitian ini bertujuan untuk mendapatkan informasi mengenai karakteristik pelanggan dengan membuat segmentasi pelanggan berdasarkan perilaku penggunaan mesin kasir pada usaha yang dikelolanya. Setelah diketahui kelompok pelanggan dengan karakteristiknya, setiap kelompok akan diklasifikasikan berdasarkan status pelanggan (Aktif dan Tidak Aktif). Data untuk penelitian ini didapatkan dari salah satu perusahaan penyedia yang menjadi pelopor mesin kasir modern di Indonesia. Atribut yang dipilih yaitu Length, Recency, Frequency, dan Monetary (LRFM). Data Mining merupakan metode yang dapat digunakan untuk mengidentifikasi informasi yang berada pada set data untuk Customer Relationship Management. Metode yang digunakan untuk segmentasi pelanggan adalah metode K-Means Clustering sedangkan untuk klasifikasi status pelanggan adalah metode Decision Tree C4.5. Hasil dari penelitian ini berupa karakteristik setiap kelompok pelanggan dan model prediksi status pelanggan yang dapat digunakan sebagai dasar pembuatan usulan strategi untuk membantu perusahaan dalam penyusunan strategi retensi pelanggan.

---

As the development of technology becomes advanced, businessmen can utilize it as one of the factors to drive the improvement or growth of their business operations to be more efficient. The increasing number of users who switch to use the modern cash register machines has resulted in the emergence of company with services and price that are not much different. In Indonesia, modern cash register companies compete to be able to retain their customers. This study aims to get information about the characteristics of customers through customer segmentation based on the behavior. After knowing the customer segments with their characteristics, each segment will be classified based on customer status (Active and Inactive). The data for this study was obtained from one of the provider companies that became the pioneer of the modern cash register in Indonesia. The selected attributes are Length, Recency, Frequency, and Monetary (LRFM). Data Mining is a method that can be used to identify information that is in a data set for Customer Relationship Management. The method used for customer segmentation is the K-Means Clustering while the classification of customer status is the Decision Tree C4.5. The results of this study are in the form of characteristics of each customer group and customer status prediction models that can be used as the basis for making strategies to assist companies in preparing customer retention strategies."

"Telemedicine merupakan solusi ideal untuk menjadi layanan kesehatan di era COVID-19. Halodoc merupakan salah satu aplikasi telemedicine terbaik di Indonesia. Sejak tahun 2022, Halodoc sudah mempunyai lebih dari 15.000.000 pengguna sehingga perlu mengganti fokus bisnisnya dari product oriented menjadi customer oriented. Halodoc perlu melakukan analisis customer segmentation untuk mengetahui karakteristik pengguna lebih dalam. Analisis ini menggunakan salah satu teknik data mining yaitu clustering menggunakan algoritma K-Prototypes. Atribut penggunaan voucher, total transaksi, kategori produk, spesialis dokter, provider asuransi, kelompok usia, merek handphone, dan lokasi digunakan pada penelitian ini. Pengguna Halodoc yang melakukan transaksi minimal 1 kali selama November 2021 hingga Januari 2022 yang berjumlah 193.000 pengguna akan disegmentasi. Hasilnya adalah pengguna Halodoc dapat disegmentasi menjadi 4 status sosial yaitu working class, petty bourgeoise, middle class, dan high class. Status sosial yang memiliki ukuran terbesar adalah middle class yaitu dengan proporsi 46,69% dari keseluruhan pengguna. Pengguna yang paling potensial untuk Halodoc adalah yang berasal dari status sosial High Class karena memiliki frekuensi transaksi terbanyak dan nominal pengeluaran terbesar.

---

Telemedicine is the ideal solution to become a healthcare service in COVID-19 era. Halodoc is one of the best telemedicine applications in Indonesia. Since 2022, Halodoc has more than 15.000.000 users, so they need to change its business focus from product oriented to customer oriented. Halodoc needs to do customer segmentation analysis to find out more about user’s characteristics. This analysis uses one of data mining techniques which is K-Prototypes Clustering. Voucher usage, total transaction, doctor specialist, insurance provider, age group, mobile phones’s brand, and location are used in this study. Halodoc’s users who make transactions at least 1 time during November 2021 to January total 193.000 users will be segmented. The results is Halodoc’s users can be segmented into 4 social classes such as working class, petty bourgeoise, middle class, and high class. Social status that has the largest size is the middle class with the proportion of 46.69% of the total users. The most potential users for Halodoc are those from High Class social status because they have the highest transaction frequency and the largest nominal spending."

"Dalam beberapa tahun terakhir, jumlah investor saham di Indonesia meningkat pesat, sehingga perlu dilakukan analisis tentang saham yang dapat membantu investor dalam rencana investasinya. Pengelompokan saham dapat membantu investor memilih saham yang sesuai untuk investor. Sayangnya, harga saham terus berubah dari waktu ke waktu. Akibatnya, kegiatan memilih saham untuk investasi bukanlah hal yang mudah. Selain itu, data time series saham dipengaruhi oleh banyak faktor yang mempertimbangakan time frame, kemudian menjadikan data pada setiap sektor memiliki jumlah faktor yang banyak yang disebut data dimensi tinggi. Karena itu, penting untuk menggunakan teknik yang cocok untuk mengelompokkan data dimensi tinggi. Penelitian ini menyajikan dua pendekatan yang dapat digunakan untuk data dimensi tinggi, yaitu subspace clustering dan dimension reduction. Pendekatan subspace clustering menggunakan metode High Dimensional Data Clustering (HDDC), sebuah teknik klasterisasi berbasis model berdasarkan Gaussian Mixture Model, dengan menggunakan algoritma Expectation-Maximization (EM). Pada pendekatan dimension reduction menggabungkan teknik reduksi fitur dan teknik klasterisasi yang sudah sering digunakan yaitu K-Means. Penelitian ini menggunakan dua pendekatan reduksi fitur, yaitu ekstraksi fitur menggunakan Principal Component Analysis (PCA) dan pemilihan fitur menggunakan Correlation Attribute Evaluation. Luaran dari penelitian ini adalah 2 klaster terbentuk di sektor agrikultur, 3 klaster di sektor pertambangan, 4 klaster di sektor industri dasar dan kimia, 2 klaster di sektor aneka industri, 2 klaster di sektor industri konsumsi, 2 klaster di sektor properti dan real estate, 2 klaster di sektor infrastruktur, 2 klaster di sektor keuangan, dan 4 klaster di sektor perdagangan. Dari perhitungan indeks validasi klasterisasi, teknik seleksi fitur memberikan performa yang lebih baik.

---

In recent years, the stock investor in Indonesia has been increasing rapidly, hence it is required to conduct analysis about the stock that helps the investor in their investment plan. Clustering is beneficial to select the appropriate stock for investors. Unfortunately, stock prices keep varying from time to time. Consequently, it is not an easy work to select the stock for investment. In addition, stock price time series data influenced by many factors, so the factors in this study consider the time frame that makes the data in each sector has a larger number of features that called high dimensional data. In this study, high dimensional data are obtained by the time frame of each factor. Therefore, it is important to use a suitable technique to cluster high dimensional data. This study presents two approaches that can be used for high dimensional data, namely subspace clustering and dimension reduction. The subspace clustering approach uses High Dimensional Data Clustering (HDDC), a model-based clustering based on Gaussian Mixture Model, with using the Expectation-Maximization (EM) algorithm. The dimension reduction approach combines feature reduction techniques and common clustering technique, that is K-Means. This study uses two feature reduction approaches, namely feature extraction using Principal Component Analysis (PCA) and feature selection using Correlation Attribute Evaluation. The output of this study are 2 clusters formed in agricultural sector, 3 clusters formed in mining sector, 4 clusters formed in basic and chemical industry sector, 2 clusters formed in various industrial sector, 2 clusters formed in consumption industry sector, 2 clusters formed in property and real estate sector, 2 clusters formed in infrastructure sector, 2 clusters formed in financial sector, and 4 clusters formed in trade sector. Based on the clustering validation index, feature selection techniques provide better performance."

"ABSTRAKPerdagangan dan hubungan antar negara menyebabkan pertukaran mata uang antar negara atau lebih dikenal dengan forex atau foreign exchange. Pasar mata uang memiliki kapitalisasi yang sangat besar,sehingga perdagangan mata uang ini telah menjadi salah satu pilihan investasi. Meskipun investasi dalam pasar mata uang adalah investasi yang beresiko tinggi atau high risk, akan tetapi investasi ini juga menjanjikan hasil yang tinggi atau high return. Banyak faktor yang mempengaruhi pergerakan mata uang, salah satu faktor utamanya adalah berita fundamental. Berita fundamental adalah berita tentang kondisi perekonomian suatu negara.Kesuksesan dalam perdagangan mata uang, para pelaku perdagangan mata uang harus memiliki kemampuan dalam melakukan analisis pergerakan mata uang. Pedagang mata uang harus menguasai analisis teknis dan analisis fundamental dalam melakukan analisis pergerakan mata uang. Namun pada kenyataannya banyak pelaku perdagangan mata uang mengalami kerugian besar yang disebabkan perbedaan persepsi antara pasar mata uang dengan analisis teknis maupun analisis fundamental yang telah dilakukan. Hal ini disebabkan karena analisis teknis dan analisis fundamental yang dilakukan bersifat konvensional dengan beberapa periode waktu saja. Dan disamping itu pedagang mata uang belum menguasai emosi dalam melakukan transaksi perdagangan mata uang.Penelitian ini bertujuan membuat model pengambilan keputusan jual atau beli dengan menggunakan model data mining yang melibatkan data historis perdagangan masa lampu dan waktu dimana berita fundamental dikeluarkan oleh lembaga berwenang suatu negara. Dengan menggunakan data historis ini akan dibuatkan model data mining dalam pengambilan keputusan perdagangan tanpa melibatkan manusia. Metode data mining yang dipergunakan adalah Support Vector Machine (SVM) dalam melakukan klasifikasi dan pengenalan pola. SVM ini akan dipergunakan untuk mengambil keputusan jual atau beli berdasarkan indikator teknis dan waktu pengumuman berita fundamental dikeluarkan.

---

ABSTRACTTrade relations between the state and led to cross-border currency exchange or better known as foreign exchange. The currency market has a very large capitalization, so that currency trading has become one of the investment options. Although the investment in the currency market is a high risk investment, but these investments also promises high yield or high return. Many factors affect currency movements, one of the main factors is the fundamental news. Fundamental news is news about the condition of the economy of a country. Currency traders use fundamental news as an indicator to predict the economic conditions of a country and its effect on the country's currency.Success in currency trading, currency traders should have the ability to perform analysis of currency movements. Currency traders must master the technical analysis and fundamental analysis in the analysis of currency movements. But in fact many currency traders suffered huge losses due to the difference in perception between the currency markets with technical analysis and fundamental analysis has been done. This is due to the technical analysis and fundamental analysis is conventional with some periods of time. And besides that currency traders have not mastered the emotion in the transaction currency trading.This research aims to create a model of selling or buying decisions using data mining models that involve historical data and trading period of time where the fundamental news issued by the authority of a country. By using this historical data will be creating data mining models in decision making without human involvement. The data mining method used is the Support Vector Machine (SVM) to do classification and pattern recognition. SVM will be used to make a decision to sell or buy based on technical indicators and fundamental news announcements released time."

"Proses retur merupakan hal yang perlu diatur oleh sebuah industri untuk dapat meminimalisir pengembalian barang dari pelanggan ke perusahaan. Salah satu cara untuk mengatasi hal itu adalah dengan adanya kebijakan retur terhadap pelanggan, namun kebijakan retur kerap hanya memiliki satu jenis yang diterapkan ke seluruh lapisan pelanggan. Hal ini dapat merugikan perusahaan apabila pelanggan menyalahgunakan kebijakan yang ada. Sehingga dibutuhkan kebijakan retur yang sesuai dengan karakteristik pelanggan. Penelitian ini bertujuan untuk mendapatkan informasi karakteristik pelanggan retur serta produk retur dengan membuat pemetaan pelanggan dan produk berdasarkan aktivitas returnya. Setelah diketahui kelompok dari pelanggan dan produk, setiap kelompokakan diklasifikan berdasarkan hasil kelasnya. Penelitian ini berbasiskan data dari industri farmasi yang memiliki karakteristik khusus dalam proses retur. Penelitian ini menggunakan metode K-Means Clustering dan Decision Tree C4.5 untuk memetakan produk serta pelanggan retur dengan atribut Recency, Frequency, dan Monetary untuk pelanggan, serta frekuensi retur untuk produk. Hasil dari penelitian ini berupa segmentasi pelanggan dan produk retur yang menghasilkan empat klaster pada tiap dimensi. Berdasarkan karakteristik pelanggan retur dapat dihasilkan rekomendasi berupa kebijakan retur yang sesuai dengan segmen pelanggan.

---

The return process is one of the process in supply chain management that is required to be regulated by industry to be able to minimize the return of goods from customers to the firm. One of strategy to overcome this is by implementing a return policy for customers but return policies often have only one type that is applied to all layers of customers. This can be detrimental to the company if the customer abuses the existing policies. So, the firm need a return policy that regulated based on customer characteristics. This study aims to obtain information on the characteristics of customer returns and product returns by mapping customers and products based on their return activities. Having known groups of customers and products, each group will be classified based on the results of its class. This research is based on data from the pharmaceutical industry that has special characteristics in the return process. This study uses the K-Means Clustering and Decision Tree C4.5 method to map products and customer returns with the Recency, Frequency, and Monetary (RFM) attributes for customers, as well as the frequency of returns for products. The result of this study is segmentation on return customers and product with four clusters in each dimension. Based on the segmentation on return customers, recommendation on return policy could be generated with a suitable characteristic of the customers."

"PT. XYZ adalah sebuah pasar daring dan salah satu dari empat unicorn teknologi di Indonesia. Untuk menyasar pasar luring, PT. XYZ meluncurkan aplikasi baru Mitra XYZ di awal 2018. Target utama aplikasi ini adalah warung dan toko kelontong tradisional dengan fitur seperti "Belanja Grosir". Namun, target penerimaan Belanja Grosir di akhir 2018 tidak mencapai target. Berdasarkan analisis akar masalah, isu yang berusaha dipecahkan oleh penelitian ini adalah mencari metode sistem rekomendasi produk yang bisa diterapkan bagi pembeli grosir. Penelitian dimulai dari pemahaman data terhadap struktur, karakteristik, hingga fungsinya. Data lalu diproses dan dibersihkan agar bisa menjadi masukan untuk teknik penggalian data. Penggalian data dilakukan menggunakan bahasa pemrograman R dengan paket utama cluster, arules, dan factoextra. Sistem rekomendasi terdiri dari dua tahapan: (1) segmentasi pelanggan dan (2) analisis keranjang belanja. Segmentasi pelanggan dilakukan dengan algoritme klustering CLARA dikombinasikan dengan model LRFM. Hasil segmentasi menemukan bahwa pelanggan Belanja Grosir terbagi ke dalam empat kelompok dengan karakteristik yang berbeda. Berikutnya, analisis keranjang belanja dilakukan untuk setiap empat kelompok ini menggunakan algoritme penggalian pola asosiasi ECLAT. Dari analisis, ditemukan bahwa produk rokok dan kopi sachet mendominasi kombinasi produk yang sering dibeli bersamaan. Berdasarkan informasi ini, PT. XYZ bisa membuat strategi penjualan dan pemasaran melalui rekomendasi produk.

---

PT. XYZ is an online marketplace and one of Indonesian tech unicorns. To acquire offline market, PT. XYZ launched new Mitra XYZ application on early 2018. The main user of this app is traditional mom-and-pop shops with feature like "Groceries Store". Unfortunately, Groceries Store revenue target was not achieved by the end of 2018. Based on the root cause analysis, the main issue that this research try to solve is finding a product recommendation system method for groceries user. The first step is data structure, characteristics, and function understanding. The raw data is then cleaned-up and preprocessed to be put to the data mining processes. The data mining technique is using R framework with main package cluster, arules, and factoextra. The recommendation system is a 2-step process: (1) customer segmentation and (2) market basket analysis. The customer segmentation part is implemented using CLARA clustering algorithm combined with LRFM model. The clustering results show that Groceries Store users are grouped into four clusters with unique characteristics. Next, the market basket analysis part for each of the four clusters is implemented using association rules mining ECLAT algorithm. The analysis show that cigarrettes and stick coffee products dominate the product combinations that are often bought together. Based on these findings, PT. XYZ can develop sales and marketing strategy by utilizing the proposed product recommendation system."

"Penilaian kesesuaian atas standar dan regulasi dilakukan oleh Lembaga Penilaian Kesesuaian (LPK)/Conformity Assessment Body (CAB). Kegiatan penilaian kesesuaian pada barang, jasa, sistem, atau proses dilakukan melalui Pengujian (Testing), Inspeksi (Inspection) dan / atau Sertifikasi (Certification) (TIC). LPK juga dikenal sebagai perusahaan jasa survei. Perusahaan jasa survei di Indonesia memiliki banyak layanan dengan pelanggan yang tersebar di seluruh Indonesia. Banyaknya pelanggan membuat data transaksi menjadi besar yang perlu dilakukan segmentasi untuk menentukan strategi penjualan dan pemasaran.Berdasarkan penelitian sebelumnya, belum banyak penelitian yang ditemukan yang menjadikan perusahaan jasa sebagai objek segmentasi, khususnya perusahaan jasa survei. Penelitian ini melakukan segmentasi pelanggan perusahaan jasa survei menggunakan Recency, Frequency, & Monetary Value (RFM), dan K-Means Clustering.Penelitian ini mengolah 181.724 data transaksi perusahaan jasa. Berdasarkan RFM, pelanggan dapat dibagi menjadi 3 segmen yaitu 646 pelanggan Key Account dengan porsi pendapatan 70,73%, 10.037 pelanggan Regular Account dengan porsi pendapatan 29,06%, dan 3.720 pelanggan Retail dengan porsi pendapatan 0,21%. Berdasarkan K-Means, pelanggan dapat dibagi menjadi 21 klaster. Jumlah klaster, disesuaikan dengan banyaknya Kategori dalam Klasifikasi Baku Lapangan Usaha Indonesia (KBLI).Berdasarkan penelitian ini, K-Means tidak hanya dapat digunakan untuk segmentasi pelanggan barang yang diproduksi, tetapi juga dapat digunakan untuk segmentasi pelanggan perusahaan jasa survei, dan hasil segmentasi dapat digunakan sebagai referensi untuk membuat paket jasa, dan membuat strategi penjualan dan pemasaran.

---

The conformity assessment of standard and regulation is conducted by Conformity Assessment Body (CAB). The conformity assessment activities that applied to goods, services, systems, or processes are carried out through testing, inspection and / or certification (TIC). CAB is also known as a survey service company. Survey service companies in Indonesia have a lot of services with many customers spread nationwide. The large number of customers make large transaction data that needs to be segmented to determine sales and marketing strategies.

Based on the previous research, not many studies have been found that take service companies as object of segmentation, especially survey service companies. This study is segmenting customers of survey service companies using Recency, Frequency, & Monetary Value (RFM), and K-Means Clustering.

This study processed 181,724 transaction data of a service company. Based on RFM, customers can be divided into 3 segments that are 646 Key Account customers with 70.73% revenue portion, 10,037 Regular Account customers with 29.06% revenue portion, and 3,720 Retail customers with a revenue portion of 0.21%. Based on K-Means, customers can be divided into 21 clusters. The number of cluster, is suit to number of Category in Indonesian Standard of Industrial Classification (ISIC).

According to this study, K-Means clustering not only can be used to segment customers of product manufactured, but also can be used to segment customers of survey service company, and the result of segmentation can be used as references for making service package (service bundling), and for making sales and marketing strategy."

"Loyalitas pelanggan memiliki peranan yang besar bagi perusahaan untuk meningkatkan pasar bisnisnya karena pelanggan yang loyal memberikan dampak yang positif berupa peningkatan profit dan daya saing perusahaan, pujian yang positif pada produk, dan sebagai entry barrier terhadap para pesaing. Oleh karena itu, maskapai nasional sebagai bagian dari industri penerbangan yang terus meningkat ini perlu melakukan analisis mengenai loyalitas pelanggannya. Penelitian ini bertujuan untuk mengetahui karakteristik pelanggan dari salah satu maskapai swasta di Indonesia yang mempengaruhi tingkat loyalitasnya dengan metode data mining, dimana algoritma yang digunakan adalah C5.0. Hasil yang didapatkan pada penelitian ini berupa model pohon keputusan.yang berisikan klasifikasi pelanggan Lion Air berdasarkan tingkat loyalitasnya.

---

Customer loyalty has a important role for company in increasing its business market because loyal customers gives positive impacts, such as increasing company's profit and competence skill, positive complement about its product, and applicable to be used as an entry barrier within the competitors. In due to that condition, national airline, as one of the airline industry's components that improve in recent years, needs to do analysis research concerned on its own customer loyalty. This research aims to discover the customers' characteristic from an airline in Indonesia that influences their loyality level by using data mining, while the used algorithm is C5.0. A result obtained in this study is a decision tree model that contains a classification of Lion Air's customers based on their loyalty level. "

"

Pertumbuhan ekonomi pada sektor Fashion khususnya pakaian etnik modern di Indonesia memberikan peluang yang besar bagi para pemilik usaha fashion etnik modern, termasuk Usaha Mikro, Kecil, dan Menengah (UMKM). Dengan daya saing yang semakin meningkat, UMKM perlu membangun manajemen hubungan pelanggan yang kuat untuk meningkatkan dan mempertahankan loyalitas pelanggan. Pencarian informasi mengenai karakteristik pelanggan lebih lanjut dilakukan dengan menggunakan Customer Lifetime Value (CLV) untuk melihat kontribusi pelanggan terhadap profitabilitas perusahaan. Penelitian ini bertujuan untuk memetakan segmentasi pelanggan dengan menggunakan metode K-Means Clustering dan Agglomerative Hierarchical Clustering berdasarkan variabel Recency, Frequency, dan Monetary (RFM). Terdapat 4 (empat) segmen yang terbentuk dalam penelitian ini. Selanjutnya, metode Analytical Hierarchy Process (AHP) digunakan untuk memperoleh bobot kepentingan dari model RFM. Hasil AHP menunjukkan bahwa frequency adalah variabel yang paling penting pada penelitian ini. Selanjutnya, dilakukan perhitungan Customer Lifetime Value (CLV) untuk mengetahui nilai dan karakteristik pelanggan dengan memberikan peringkat pada 4 (empat) segmen optimal yang dihasilkan. Selain metode CLV, metode Customer Value Matrix (CVM) juga digunakan untuk mengetahui karakteristik pelanggan pada setiap klaster. Setiap klaster akan diberikan rekomendasi strategi peningkatan loyalitas pelanggan berdasarkan karakteristik masing-masing klaster yang terbentuk.

---

Economic growth in the fashion sector, especially modern ethnic clothing in Indonesia, provides great opportunities for modern ethnic fashion business owners, including Micro, Small and Medium Enterprises (MSMEs). With increasing competitiveness, MSMEs need to build strong customer relationship management to increase and maintain customer loyalty. Extracting information regarding characteristics of customers is carried out using Customer Lifetime Value (CLV) to measure the contribution of customers to company profits. This research aims to establish customer segmentation using K-Means Clustering and Agglomerative Hierarchical Clustering methods based on Recency, Frequency, and Monetary (RFM) variables. There are 4 (four) segments formed in this study. Furthermore, the Analytical Hierarchy Process (AHP) method is used to obtain the importance weight of the RFM model. The results show that frequency is the most important variable in this study. Then, a Customer Lifetime Value (CLV) calculation is performed to find out the value and characteristics of customers by ranking the 4 (four) optimal segments that are generated. In addition to the CLV method, the Customer Value Matrix (CVM) method is also used to determine customer characteristics in each cluster. Each cluster will be given recommendations on strategies to increase customer loyalty based on the characteristics of each cluster formed.

"