Clustering RFM (Recency, Frequency, Monetary) Publisher Gim Menggunakan Algoritma K-Means
Keywords:
machine learning, clustering, K-Means, gimAbstract
Clustering merupakan salah satu metode unsupervised machine learning yang sangat bermanfaat dalam berbagai bidang, termasuk industri permainan gim yang mengalami pertumbuhan pesat. Dalam industri gim, para penerbit gim memerlukan pemahaman yang lebih baik mengenai pola penjualan gim untuk mengembangkan strategi pemasaran yang efektif. Dalam artikel ini, dilakukan clustering data penjualan gim berdasarkan model RFM (Recency, Frequency, Monetary) yang dimiliki penerbit dengan menggunakan algoritma K-Means. Algoritma K-Means digunakan untuk menganalisis data penjualan gim dan mengidentifikasi pola perilisan gim yang sukses, serta karakteristik penerbit yang berkontribusi pada pendapatan yang tinggi. Dengan menerapkan clustering pada data penjualan, kita dapat mengidentifikasi kelompok penerbit berdasarkan keaktifan serta banyaknya pendapatan yang didapat oleh penerbit. Dengan demikian, penerbit gim dapat meningkatkan retensi pelanggan, meningkatkan pendapatan, dan mengoptimalkan investasi dalam pengembangan gim baru. Dengan menggunakan pendekatan RFM dan algoritma K-Means, penelitian ini berpotensi memberikan pandangan yang lebih mendalam tentang tren penjualan gim dan faktor-faktor yang mempengaruhi keberhasilan suatu gim di pasar. Dari penelitian ini didapatkan bahwa jumlah atau frekuensi perilisan gim memiliki pengaruh besar terhadap penjualan gim.
References
R. Gustriansyah, N. Suhandi dan F. Antony, “Clustering optimization in RFM analysis based on K-means,” Indonesian Journal of Electrical Engineering and Computer Science, vol. 18, no. 1, pp. 470-477, 2020.
R. Dash, D. Mishra, A. K. Rath dan M. Acharya, “A hybridized K-means clustering approach for high dimensional dataset,” International Journal of Engineering, Science and Technology, vol. 2, no. 2, pp. 59-66, 2010.
A. Widiyanto dan A. Witanti, “Segmentasi Pelanggan Berdasarkan Analisis RFM Menggunakan Algoritma K-Means Sebagai Dasar Strategi Pemasaran (Studi Kasus PT Coversuper Indonesia Global),” KONSTELASI: Konvergensi Teknologi dan Sistem Informasi, vol. 1, no. 1, pp. 204-215, 2021.
A. Bastian, H. Sujadi dan G. Febrianto, “Penerapan Algoritma K-Means Clustering Analysis Pada Penyakit Menular Manusia (Studi Kasus Kabupaten Majalengka),” Jurnal Sistem Informasi, vol. 14, no. 1, pp. 28-34, 2018.
B. M. Metisen dan H. L. Sari, “ANALISIS CLUSTERING MENGGUNAKAN METODE K-MEANS DALAM PENGELOMPOKKAN PENJUALAN PRODUK PADA SWALAYAN FADHILA,” Jurnal Media Infotama, vol. 11, no. 2, pp. 110-118, 2015.
S. A. Rahmah, “KLASTERISASI POLA PENJUALAN PESTISIDA MENGGUNAKAN METODE K-MEANS CLUSTERING (STUDI KASUS DI TOKO JUANDA TANI KECAMATAN HUTABAYU RAJA),” Djtechno : Journal of Information Technology Research, vol. 1, no. 1, pp. 1-5, 2020.
F. Indriyani dan E. Irfiani, “Clustering Data Penjualan pada Toko Perlengkapan Outdoor Menggunakan Metode K-Means,” JUITA: Jurnal Informatika, vol. 7, no. 2, pp. 109-114, 2019.
S. F. Pane dan J. Ramdan, “Pemodelan Machine Learning: Analisis Sentimen Masyarakat Terhadap Kebijakan PPKM Menggunakan Data Twitter,” Jurnal Sistem Cerdas, vol. 05, no. 01, pp. 12-20, 2022.
M. F. Naufal, Subrata, A. F. Susanto dan C. N. Kansil, “Analisis Perbandingan Algoritma Machine Learning untuk Prediksi Potensi Hilangnya Nasabah Bank,” Techno.COM, vol. 22, no. 1, pp. 1-11, 2023.
R. Maulid, “Kursus Belajar Data: Mengenal Apa Itu Missing Value,” 22 April 2021. [Online]. Available: https://dqlab.id/kursus-belajar-data-mengenal-apa-itu-missing-value. [Diakses 20 Juni 2023].
J. Gifari, “Teknik Pengolahan Data : Mengenal Missing Values dan Cara-Cara Menanganinya,” 12 Oktober 2020. [Online]. Available: https://dqlab.id/digital-transformation-pahami-teknik-pengolahan-ini-dalam-industri-data. [Diakses 20 Juni 2023].
D. Hawkins, Identification of Outliers, 1 penyunt., Springer Dordrecht, 2014.
P. R. Sihombing, Suryadiningrat, D. A. Sunarjo dan Y. P. A. C. Yuda, “Identifikasi Data Outlier (Pencilan) dan Kenormalan Data Pada Data Univariat serta Alternatif Penyelesaiannya,” Jurnal Ekonomi dan Statistik Indonesia, vol. 2, no. 3, pp. 307-316, 2022.
M. F. Triola, Elementary Statistics Using Excel, 7, Penyunt., Pearson, 2021.
M. R. Irianto, A. Maududie dan F. N. Arifin, “Implementation of K-Means Clustering Method for Trend Analysis of Thesis Topics (Case Study: Faculty of Computer Science, University of Jember),” Berkala Sainstek, vol. 10, no. 4, pp. 210-226, 2022.
V. R. Prasetyo, M. Mercifia, A. Averina, L. Sunyoto dan B. Budiarjo, “PREDIKSI RATING FILM PADA WEBSITE IMDB MENGGUNAKAN METODE NEURAL NETWORK,” Jurnal Ilmiah NERO, vol. 7, no. 1, pp. 1-8, 2022.
A. Ambarwari, Q. J. Adrian dan Y. Herdiyeni, “Analisis Pengaruh Data Scaling Terhadap Performa Algoritma Machine Learning untuk Identifikasi Tanaman,” Jurnal RESTI (Rekayasa Sistem Dan Teknologi Informasi), vol. 4, no. 1, pp. 117-122, 2020.
G. Sumantri, M. D. Novianto dan P. P. Prihastuti, “Implementasi Fuzzy C-Means dalam Pengelompokan Provinsi di Indonesia untuk Pemerataan Kualitas Pendidikan,” Prosiding Seminar Pendidikan Matematika dan Matematika, vol. 8, pp. 1-9, 2023.
W. A. Taqwim, N. Y. Setiawan dan F. A. Bachtiar, “Analisis Segmentasi Pelanggan Dengan RFM Model Pada Pt. Arthamas Citra Mandiri Menggunakan Metode Fuzzy C-Means Clustering,” Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, vol. 3, no. 2, pp. 1986-1993, 2019.
A. N. Sihananto, A. P. Sari, H. Khariono, R. A. Fernanda dan D. C. M. Wijaya, “Implementasi Metode K-Means Untuk Pengelompokan Kasus Covid-19,” Jurnal Informatika dan Sistem Informasi (JIFoSI), vol. 3, no. 1, pp. 76-85, 2022.
R. Adha, N. Nurhaliza, U. Soleha, dan Mustakim, 2021. Perbandingan Algoritma DBSCAN dan K-Means Clustering untuk Pengelompokan Kasus Covid-19 di Dunia. Jurnal Sains, Teknologi dan Industri, 18 (2), pp. 206–211.
G. Smith, “Video Game Sales,” [Online]. Available: https://www.kaggle.com/datasets/gregorut/videogamesales. [Diakses 4 Juni 2023].
