Implementasi Algoritma K-Means Clustering pada Data Penjualan untuk Penurunan Angka Customer Acquisition Cost (CAC) pada CV. Sumber Sukses Retailindo

Buchori Wibowo, Ahmad (2026) Implementasi Algoritma K-Means Clustering pada Data Penjualan untuk Penurunan Angka Customer Acquisition Cost (CAC) pada CV. Sumber Sukses Retailindo. Bachelor Thesis, Universitas Multimedia Nusantara.

	PDF HALAMAN_AWAL.pdf Restricted to Registered users only Download (569kB)
	PDF BAB_I.pdf Download (130kB)
	PDF BAB_II.pdf Download (179kB)
	PDF BAB_III.pdf Restricted to Registered users only Download (209kB)
	PDF BAB_IV.pdf Restricted to Registered users only Download (551kB)
	PDF BAB_V.pdf Restricted to Registered users only Download (115kB)
	PDF DAFTAR_PUSTAKA.pdf Restricted to Registered users only Download (109kB)
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (996kB)
	Archive (ZIP) 00000034297_2521_LembarPengesahan.pdf Restricted to Registered users only Download (64kB)

Abstract

CV. Sumber Sukses Retailindo menghadapi kendala pembengkakan nilai rasio Customer Acquisition Cost (CAC) yang mencapai Rp210.526 per pelanggan pada periode Januari­Maret 2025 akibat penerapan strategi pemasaran massal yang bersifat konvensional dan tidak terdiferensiasi. Penelitian data sains ini diterapkan bukan sebagai agen pemotong pembiayaan kas secara langsung, melainkan memanfaatkan algoritma K-Means Clustering sebagai instrumen analitis deskriptif untuk memetakan dan mengidentifikasi pola perilaku belanja pelanggan komoditas pintu berdasarkan fitur volume pembelian (Quantity), akumulasi nilai transaksi (Revenue), dan tingkat kedatangan (Frequency). Metode evaluasi komputasi diuji secara kuantitatif menggunakan Elbow Method dan Silhouette Coefficient, dilanjutkan dengan analisis komparatif sebaran komponen profil pelanggan lintas tahun untuk mengevaluasi fenomena perubahan finansial metrik CAC perusahaan. Hasil pengujian menunjukkan bahwa jumlah pembentukan kelompok paling optimal adalah sebanyak 3 klaster ( = 3) dengan perolehan rata-rata nilai Silhouette Score yang sangat kuat dan valid sebesar 0,74. Proses pembongkaran skala (inverse transform) sukses mengidentifikasi karakteristik pasar menjadi Klaster 0 (Retail/End-User), Klaster 1 (Semi-Grosir), dan Klaster 2 (Wholesaler/Proyek). Hasil analisis komparatif menyimpulkan bahwa restrukturisasi kebijakan promosi tertarget berbasis klaster pada periode Januari­ Maret 2026 sukses merangsang pergeseran pola pertumbuhan konsumen produktif pada segmen Semi-Grosir (+67%) dan Wholesaler (+200%). Lonjakan kuantitas anggota pada segmen B2B/proyek ini mendongkrak akumulasi penyerapan konsumen baru menjadi 113 pelanggan, sehingga secara logis mampu menjelaskan penurunan nilai rasio nominal CAC rata-rata secara signifikan menjadi Rp132.743 per pelanggan (mencapai efisiensi biaya akuisisi sebesar 36,95%).

Item Type:	Thesis (Bachelor Thesis)
Creators:	Buchori Wibowo, Ahmad (00000034297)
Contributors:	Samuel, Samuel
Keywords:	Customer Acquisition Cost (CAC), K-Means Clustering, Data Transaksi, Segmentasi Pelanggan, Efisiensi Pemasaran.
Subjects:	000 Computer Science, Information and General Works > 000 Computer Science, Knowledge and Systems > 004 Computer Science, Data Processing, Hardware
Divisions:	Faculty of Engineering & Informatics > Computer Engineering
Date Deposited:	28 Jul 2026 11:57
URI:	https://kc.umn.ac.id/id/eprint/48301

Actions (login required)

View Item