Algoritma Apriori dan K-Means Clustering dengan GAP Rules untuk identifikasi churn dan retensi pelanggan

Abstract

Peningkatan persaingan bisnis mendorong perusahaan untuk memahami perilaku pelanggan dengan lebih baik. Khususnya di bisnis retail, mempertahankan pelanggan adalah hal krusial yang harus diperhatikan. Oleh karena itu, sebagai pihak bisnis retail dapat memanfaatkan data transaksi untuk mengidentifikasi potensi churn dan menghasilkan strategi retensi berbasis data. Penelitian ini menggunakan pendekatan data mining melalui algoritma K-Means Clustering dengan karakteristik RFM(Recency, Frequency, Monetary) yang bertujuan untuk membuat segmentasi pelanggan, serta Market Basket Analysis menggunakan algoritma apriori. Hasil evaluasi K-Means Clustering menggunakan Elbow Method dan Silhouette Score sebesar 0.550, Menghasilkan 3 Cluster optimal. Dimana cluster 1 dilabelkan sebagai Chrun Potential Customers, Cluster 2 dilabelkan sebagai Grow Potential Customers, dan Cluster 3 sebagai Loyal Customers. Selanjutnya algoritma apriori ditetapkan minimum support sebesar 3% dan minimum confidence 30% menghasilkan beberapa aturan asosiasi yang memenuhi ambang batas yang ditetapkan. Hasilnya, Cluster 1 memiliki 3 aturan asosiasi Sedangkan Cluster 2 memiliki 13 aturan asosiasi. Dan Cluster 3 memiliki 15 aturan asosiasi yang memenuhi ambang batas. Perbedaan kekuatan asosiasi antar produk pada tiap cluster menunjukkan pola pembelian yang unik. Analisis GAP Rules di setiap cluster bertujuan untuk mengidentifikasi variasi pola pembelian barang yang dibeli bersamaan.