Segmentasi Pelanggan Ritel Produk Farmasi Obat Menggunakan Metode Data Mining Klasterisasi Dengan Analisis Recency Frequency Monetary (RFM) Termodifikasi

Abstract

Secara umum, pembelian produk farmasi di Indonesia tidak memiliki pola. Pembelian produk farmasi seperti obat-obatan, dilakukan oleh individu bukan sebagai persiapan untuk menjaga kesehatan, namun sebagai respon terhadap penyakit yang sedang diderita. Di sisi lain, pelanggan retail produk farmasi obat biasanya dipengaruhi oleh faktor harga jual dan faktor kecocokan (sugesti) pada merk obat tertentu sewaktu melakukan pembelian. Berdasarkan kondisi itu maka pola pembelian obat bagi masyarakat Indonesia menjadi tidak dapat diprediksi. Hal tersebut membuat pelaku usaha di bisnis ritel produk farmasi obat, relatif sulit untuk meningkatkan nilai penjualan. Salah satu upaya yang bisa dilakukan pelaku bisnis untuk meningkatkan pendapatan adalah dengan melakukan promosi penjualan berdasarkan jenis kelompok pelanggannya. Transaksi pembelian produk farmasi obat dapat dianalisis untuk mengetahui segmentasi pelanggan berdasarkan pola pembelian. Riset ini telah berhasil memodelkan segmentasi pelanggan ritel apotek dengan teknik data mining klasterisasi. Metode yang digunakan adalah melakukan analisis data transaksi pembelian yang terdiri dari atribut Recency Frequency Monetary (RFM) termodifikasi. Analisis telah melibatkan atribut Kuantitas (Quantity) dari data transaksi pembelian produk farmasi obat sebagai eksperimen modifikasi model. Pada proses pemodelan klasterisasi, studi ini menggunakan algoritme data mining K-Means. Hasil penelitian menunjukkan bahwa segmentasi pelanggan yang optimal berada pada dua klaster berdasarkan hasil analisis QRF (Quantity, Recency dan Frequency) menggunakan evaluasi Davies Bouldin Indeks (DBI) dengan nilai 0,527. Kinerja model tersebut dibandingkan dengan algoritme K-Medoids. Hasil klasterisasi pelanggan pada dua kategori menggunakan K-Medoids memiliki nilai DBI sebesar 1.334. Berdasarkan nilai pembanding tersebut maka metode K-Means terbukti lebih baik dalam pembentukan klaster pelanggan ritel farmasi obat pada analisis atribut Quantity, Recency dan Frequency.;AbstractIn general, the purchase of pharmaceutical products in Indonesia has no pattern. The purchase of pharmaceutical products such as medicines, made by individuals not as preparation for maintaining health, but in response to the illness being suffered. On the other hand, retail customers of pharmaceutical drug products are usually influenced by selling price factors and suggestions for certain drug brands when making a purchase. Based on these conditions, the pattern of purchasing drugs for Indonesian people is unpredictable. This makes businesses in the retail business of pharmaceutical drug products, relatively difficult to increase sales value. One effort that businesses can do to increase revenue is to conduct sales promotions based on the type of customer group. Drug pharmaceutical product purchase transactions can be analyzed to determine customer segmentation based on purchase patterns. This research has successfully modeled the pharmacy retail customer segmentation with clustering data mining techniques. The method used is to analyze the purchase transaction data consisting of modified Recency Frequency Monetary (RFM) attributes. Analysis has involved the Quantity attribute (Quantity) of the transaction data of pharmaceutical drug product purchases as a model modification experiment. In the cluster modeling process, this study uses the K-Means data mining algorithm. The results showed that the optimal customer segmentation was in two clusters based on the results of the QRF (Quantity, Recency and Frequency) analysis using the Davies Bouldin Index (DBI) evaluation with a value of 0.527. The performance of the model is compared with the K-Medoids algorithm. The results of customer clustering in two categories using K-Medoids have a DBI value of 1,334. Based on these comparative values, the K-Means method is proven to be better in forming pharmaceutical drug retail customer clusters with analysis Quantity, Recency and Frequency attributes.