ANALISA EFISIENSI PENDEKATAN DATA-DRIVEN DALAM PROSES SEGMENTASI PASAR DENGAN STUDI KASUS STARTUP
Abstract Views : 560 / Downloads Count: 415DOI:
https://doi.org/10.31949/infotech.v8i2.3732Keywords:
AHP-TOPSIS, K-Means, SVM, Decision Tree, pembelajaran mesinAbstract
Segmentasi pasar mengacu pada karakteristik yang digunakan untuk mengkategorikan customer dalam segmen. Teknokasi Edutech merupakan perusahaan rintisan yang diluncurkan pada awal Juni 2021. Teknokasi fokus pada education technology (ed-tech), terutama di bidang Teknologi Informasi. Perusahaan baru membutuhkan metode segmentasi pasar yang relevan dan akurat karena perusahaan harus memahami pasar sebelum membuat dan memasarkan produknya. Penelitian ini bertujuan untuk menyelidiki efisiensi algoritma pembelajaran mesin yang digunakan dalam segmentasi pasar, terutama untuk perusahaan early startup seperti Teknokasi. Penelitian dilakukan dengan pengembangan tiga model (K-Means dengan AHP-TOPSIS, SVM dengan AHP, dan Decision Tree dengan AHP) dengan tahapan data gathering, data preprocessing dan training, data modelling, evaluasi model, serta komparasi dan seleksi ketiga model. Berdasarkan analisa, didapatkan bahwa metode supervised learning lebih aplikatif, dengan SVM menunjukkan tingkat keakuratan yang relatif lebih tinggi. Penelitian ini membuktikan SVM beserta AHP mampu melakukan prediksi segmen pasar dan dengan begitu membantu decision-making berdasar label yang ditentukan.
Downloads
References
Camilleri, M. A. (2018). Market Segmentation, Targeting and Positioning. Travel Marketing, Tourism Economics and the Airline Product, 4, 69–83. https://doi.org/10.1108/978-1-78635-746-520161006
Chi-Hsien, K., & Nagasawa, S. (2019). Applying machine learning to market analysis: Knowing your luxury consumer. Journal of Management Analytics, 6(4), 404–419. https://doi.org/10.1080/23270012.2019.1692254
Christian, Y., & Qi, K. O. Y. R. (2022). Penerapan K-Means pada Segmentasi Pasar untuk Riset Pemasaran pada Early Stage Startup dengan Menggunakan CRISP-DM. JURIKOM (Jurnal Riset Komputer), 9(4), 966–973. https://doi.org/10.30865/jurikom.v9i4.4486
Farissa, R. A., Mayasari, R., & Umaidah, Y. (2021). Perbandingan Algoritma K-Means dan K-Medoids Untuk Pengelompokkan Data Obat dengan Silhouette Coefficient. 5(2), 109–116.
Koehrsen, W. (n.d.). Modeling: Teaching a Machine Learning Algorithm to Deliver Business Value. Towards Data Science. Retrieved December 15, 2021, from https://towardsdatascience.com/modeling-teaching-a-machine-learning-algorithm-to-deliver-business-value-ad0205ca4c86
Lies, J. (2019). Marketing Intelligence and Big Data: Digital Marketing Techniques on their Way to Becoming Social Engineering Techniques in Marketing. International Journal of Interactive Multimedia and Artificial Intelligence, 5(5), 134. https://doi.org/10.9781/ijimai.2019.05.002
Ma, L., & Sun, B. (2020). Machine learning and AI in marketing – Connecting computing power to human insights. International Journal of Research in Marketing, 37(3), 481–504. https://doi.org/10.1016/j.ijresmar.2020.04.005
Miklosik, A., Kuchta, M., Evans, N., & Zak, S. (2019). Towards the Adoption of Machine Learning-Based Analytical Tools in Digital Marketing. IEEE Access, 7, 85705–85718. https://doi.org/10.1109/ACCESS.2019.2924425
Mishra, A. (n.d.). Metrics to Evaluate your Machine Learning Algorithm. Towards Data Science. Retrieved December 16, 2021, from https://towardsdatascience.com/metrics-to-evaluate-your-machine-learning-algorithm-f10ba6e38234
Myszczynska, M. A., Ojamies, P. N., Lacoste, A. M. B., Neil, D., Saffari, A., Mead, R., Hautbergue, G. M., Holbrook, J. D., & Ferraiuolo, L. (2020). Applications of machine learning to diagnosis and treatment of neurodegenerative diseases. Nature Reviews Neurology, 16(8), 440–456. https://doi.org/10.1038/s41582-020-0377-8
Raharja, M. A., Surya, I. K. A., & Mogi, I. K. A. (2022). CLUSTERING CUSTOMER FOR DETERMINE MARKET STRATEGY USING K-MEANS AND TOPSIS : CASE STUDY. International Proceeding Conference on Information Technology, Multimedia, Architecture, Design, and E-Business (IMADE), 2(August), 61–71.
Saura, J. R. (2021). Using Data Sciences in Digital Marketing: Framework, methods, and performance metrics. Journal of Innovation and Knowledge, 6(2), 92–102. https://doi.org/10.1016/j.jik.2020.08.001
Sinaga, K. P., & Yang, M. S. (2020). Unsupervised K-means clustering algorithm. IEEE Access, 8, 80716–80727. https://doi.org/10.1109/ACCESS.2020.2988796
Siregar, R. A. (2017). Seleksi Penyerang Utama Menggunakan K-Means Clustering Dan Sistem Pendukung Keputusan Metode Topsis. Technomedia Journal, 2(1), 37–48. https://doi.org/10.33050/tmj.v2i1.314
Taufiqurrahman, T., Malani, R., & Najib, A. (2018). Pengurutan dan Pengelompokan Divisi Hasil Penerimaan Calon Karyawan Menggunakan Metode F-AHP dan K-Means. Prosiding SAKTI (Seminar Ilmu Komputer Dan Teknologi Informasi), 3(1), 115–123.
Wisetsri, W., S, R. T., Julie Aarthy, C. C., Thakur, V., Pandey, D., & Gulati, K. (2021). Systematic Analysis and Future Research Directions in Artificial Intelligence for Marketing. Turkish Journal of Computer and Mathematics Education, 12(11), 43–55.
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2022 INFOTECH journal
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
