ALMUNAWAR, MUHAMMAD IRFAN (2025) ANALISIS PERBANDINGAN PERFORMA K-MEANS DAN GAUSSIAN MIXTURE MODEL DALAM SEGMENTASI HASIL WHATSAPP BLASTING MYNURI BERDASARKAN FREKUENSI PEMESANAN DAN WAKTU RESPON UNTUK MENENTUKAN STRATEGI PEMASARAN. S1 thesis, Universitas Mercu Buana Jakarta.
|
Text (HAL COVER)
01 COVER.pdf Download (555kB) | Preview |
|
![[img]](https://repository.mercubuana.ac.id/style/images/fileicons/text.png) |
Text (BAB I)
02 BAB 1.pdf Restricted to Registered users only Download (42kB) |
|
|
Text (BAB II)
03 BAB 2.pdf Restricted to Registered users only Download (495kB) |
|
|
Text (BAB III)
04 BAB 3.pdf Restricted to Registered users only Download (119kB) |
|
|
Text (BAB IV)
05 BAB 4.pdf Restricted to Registered users only Download (452kB) |
|
|
Text (BAB V)
06 BAB 5.pdf Restricted to Registered users only Download (34kB) |
|
|
Text (DAFTAR PUSTAKA)
07 DAFTAR PUSTAKA.pdf Restricted to Registered users only Download (98kB) |
|
|
Text (LAMPIRAN)
08 LAMPIRAN.pdf Restricted to Registered users only Download (452kB) |
Abstract
This study aims to identify customer segmentation patterns in the results of MyNuri’s WhatsApp blasting campaign using two algorithmic approaches KMeans and Gaussian Mixture Model (GMM). The campaign data consists of A/B testing results, with 6,000 entries in Group A (using a hard-selling approach) and 6,000 entries in Group B (using a soft-selling approach), focusing on customer response behavior based on order frequency and response time. This data is then used to classify customers into three main segments: loyal, semi-loyal, and passive customers. This segmentation analysis is crucial for MyNuri to refine its marketing strategies tailored to the unique needs of each customer group. Data processing and analysis were conducted using Python libraries, including pandas for data management, seaborn for visualization, and time-difference analysis to distinguish customer response behaviors. The study also evaluates the performance differences between K-Means and the Gaussian Mixture Model in accurately clustering customers, aiming to provide effective recommendations for communication strategies to enhance MyNuri’s customer loyalty. Kata kunci: K-Means, GMM, Segmentation, Loyalty Penelitian ini bertujuan untuk mengidentifikasi pola segmentasi pelanggan dalam hasil kampanye WhatsApp blasting MyNuri dengan menggunakan dua pendekatan algoritma yaitu K-Means dan Gaussian Mixture Model (GMM). Data kampanye ini terdiri dari hasil pengujian A/B, dengan 6.000 data pada Grup A (menggunakan pendekatan hard-selling) dan 6.000 data pada Grup B (menggunakan pendekatan soft-selling), yang difokuskan pada perilaku respons pelanggan berdasarkan frekuensi pemesanan dan waktu respons. Data ini kemudian digunakan untuk mengelompokkan pelanggan menjadi tiga segmen utama: pelanggan yang loyal, semi loyal dan pasif. Analisis segmentasi ini penting bagi MyNuri dalam menyempurnakan strategi pemasaran yang disesuaikan dengan kebutuhan unik masing-masing kelompok pelanggan. Pengolahan dan analisis data dilakukan menggunakan pustaka Python, termasuk pandas untuk manajemen data, seaborn untuk visualisasi, dan analisis selisih waktu guna membedakan perilaku respons pelanggan. Penelitian ini juga mengevaluasi perbedaan kinerja antara K-Means dan Gaussian Mixture Model dalam mengelompokkan pelanggan dengan akurat, sehingga dapat memberikan rekomendasi efektif terkait strategi komunikasi untuk meningkatkan loyalitas pelanggan MyNuri. Kata kunci: K-Means, GMM, Segmentasi, Loyalitas.
Actions (login required)
 |
View Item |
