Hasil Pencarian  ::  Simpan CSV :: Kembali

"Dalam industri hilir migas, operasional pengolahan minyak dan gas bumi memiliki bahaya cukup tinggi terhadap kebakaran, ledakan dan hilangnya kontaminan primer atau yang sering disebut dengan Lost of Primary Containment (LOPC) pada area proses. Selain itu, operasional berkaitan dengan produktifitas dan risk management sehingga sangat penting untuk pemantauan proses secara mendalam. Aspek keandalan peralatan kritikal dalam hal ini kompresor menjadi penting untuk mencegah terjadinya unplanned maintenance yang akan berdampak pada hasil produksi minyak dan gas bumi. Kerusakan kompresor dapat disebabkan oleh suhu yang melebihi batas normal, minyak pelumas yang rendah, vibrasi dan pemisah tingkat tinggi. Dengan historikal data kegagalan yang berupa waktu kegagalan, jumlah dan indikasi kegagalan selama 5 (lima) tahun yang termasuk data terstruktur dan tidak terstruktur dari peralatan kompresor, maka identifikasi pola kerusakan dan reliability rate dapat dianalisis menggunakan metode Big Data Analytic dengan R Software di mana dilihat dari nilai regresi untuk menentukan apakah distribusi Weibull dapat diaplikasikan untuk memprediksi jadwal rutin perawatan. Dengan menggunakan analisis Weibull berbasis R Software dapat disimpulkan bahwa berdasarkan nilai keandalan, kompresor yang paling kritikal merupakan kompresor 3 karena nilai keandalan saat MTTF adalah 0.415 di mana lebih besar dari kompresor lainnya. Perawatan rutin untuk setiap kompresor dilakukan dalam jangka waktu 16 - 44 hari, perawatan rutin digunakan sebagai barrier dari kegagalan.

---

Operations of Oil and Gas Industry are related to productivity and risk management, so it is essential to monitor the process in depth. This thesis is focusing on risk management of the downstream segment on the priority element of Process Safety Management (PSM). Based on research, Mechanical Integrity is the most critical element in PSM that have to be focused. The aspect of essential reliability of equipment, in this case, the compressor becomes vital to unplanned maintenance, which will have an impact on oil and gas production. Compressor damage can be caused by temperatures that exceed normal limits, low lubricating oil, vibration and high levels of separator. Historical failure data and support that include structured and unstructured data from the reciprocating compressor approximately in 5 years will be collected. It will use to identify the damage patterns and reliability rates of the equipment. The regression value will be calculated by R as Big Data Analytics Software to determine whether Weibull distribution is sufficient. By using Weibull analysis based on R Software, it can be concluded that the compressor value, the most appropriate compressor is compressor 3 because the value agreed upon when MTTF is 0.415 which is greater than other compressors. Routine maintenance for each compressor is carried out within 16 - 44 days, routine maintenance is used as a barrier from failure. "

"Turbin gas adalah suatu alat yang memanfaatkan gas sebagai fluida untuk memutar turbin dengan pembakaran internal sehingga mampu memutar generator untuk menghasilkan listrik. Turbin gas memiliki tingkat bahaya yang besar, sehingga perlu dilakukan penelitian untuk menganalisis seberapa besar potensi kegagalan komponen-komponennya. Jika sebuah mesin atau peralatan mengalami kerusakan, maka seluruh fungsi akan terhenti. Oleh karena itu, aktivitas preventive maintenace dibutuhkan untuk mencegah kerusakan dan meminimasi downtime. Tahapan penelitian ini dimulai dengan menentukan komponen kritis menggunakan diagram pareto. Kemudian memvisualisasikan data-data yang didapat. Lalu, menentukan nilai parameter shape (β), parameter scale (η), reabilitas, MTTF (Mean Time to Failure), dari komponen-komponen kritis. Terakhir merekomendasikan jadwal preventive maintenance. Dalam penelitian ini pengolahan dan analisis data dilakukan melalui Big Data Analytics menggunakan R Software diharapkan kedepannya dapat dikembangkan menjadi sebuat aplikasi yang terintegrasi untuk mengimpor dan menganalisis data historis (data base), memudahkan untuk memprediksi kegagalan secara real time, memprediksi kegagalan sebelum muncul, dan dapat mengawasi equipment secara run on live. Berdasarkan hasil pengolahan data yang telah dilakukan, ditemukan bahwa ada 8 komponen kritis, Penentuan keandalan yang dilakukan dengan bantuan R software dengan menggunakan distribusi weibull menunjukkan saat 43.830 jam operasional atau 5 tahun, komponen yang memiliki keandalan paling rendah adalah Actuator dengan nilai sebesar 0,799. Keandalan sistem pada saat 43.830 jam atau 5 tahun adalah 0,866, nilai ini digolongkan sebagai kuat. Hasil dari evaluasi nilai parameter shape (β), menunjukan 7 dari 8 komponen di kategorikan IFR (Increasing Failure Rate) kegagalan ini diakibatkan oleh beberapa faktor seperti penuaan, korosi, gesekan, sehingga di sebut fase pengausan (wearout), dan solusi yang tepat untuk membuat rekomendasi jadwal preventive maintenance dengan T=80%.

---

Gas turbine is one tool that uses gas as a fluid to turn turbines with internal combustion so that it is able to turn generators to produce electricity. Gas turbines have a high level of danger, so research needs to be done to increase the high potential level of its components. If the machine is damaged, all functions will stop. Therefore, preventive activities are needed to prevent damage and minimize downtime. The stages of this research began by determining the critical components using pareto diagrams. Then visualize the data obtained. Then, determine the value of the form parameter (β), parameter scale (η), reliability, MTTF (Mean Time to Failure), from the critical components. Last scheduled preventative maintenance schedule. In this research, processing and analyzing data done through Big Data Analytics using R Software is expected to be developed in the future into an integrated application to facilitate and analyze historical data (databases), facilitate to predict in real time, predict changes before they appear, and Can keep running equipment directly. Based on the results of data processing that has been done, found that there are 8 critical components, Determination which is done with the help of R software using Weibull distribution shows when 43,830 operational hours or 5 years, the component that adds the lowest is the Actuator with a value of 0.799. The current system value of 43,830 hours or 5 years is 0.866, this value is classified as strong. The results of the evaluation of the form parameter values (β), showed 7 out of 8 components categorized as IFR (Increased Failure Rate) this improvement was caused by several factors such as aging, corrosion, friction, so it was called the wearout phase, and the solution needed for make a preventive maintenance schedule recommendation with T = 80%."

"Pemanfaatan Palm Oil Biodiesel mulai berkembang sejalan dengan pelaksanaan kebijakan mandatori BBN dari 2.805 Ribu kL di 2013 menjadi 4.706 Ribu kL pada 2018. Keberhasilan transisi energi melibatkan sektor keuangan dan keseimbangan tiga dimensi energi yaitu keamanan, kesetaraan, dan keberlanjutan lingkungan. Diperlukan teknologi Big Data untuk menangani berbagai variasi dan komparasi data yang disesuaikan dengan parameter Keuangan dan Trilemma Energi pada penerapan Palm Oil Biodiesel. Tahapan penelitian ini melalui proses pengelompokan data numerik dan kategorik yang kemudian melewati tahap training dan pengujian data. Output nya berupa hasil studi Big Data pada risiko kebijakan energi dalam penerapan Palm Oil Biodiesel. Simulasi tersebut dilakukan dengan menggunakan pemprograman Python. Badan Usaha BBN (SMAR.JK, TBLA.JK, dan CEKA.JK) menghasilkan Stock Return sebesar 28%. Kovarians terkecil terjadi antara saham SMAR.JK dan TBLA.JK, dengan korelasi dari ketiga saham tergolong rendah. Sharpe Ratio ketiganya menghasilkan 0,83-0,84. Skenario penerapan Biodiesel ini memberikan dampak progresif terhadap pertumbuhan energy equity dan energy security namun terjadi arah penurunan pada aspek environmental sustainability dengan penjabaran tahun 2020 aspek energy equity; environmental sustainability; energy security [0,72; 0;65; 0,79] diproyeksikan tahun 2023 [0,83; 0,53; 0,83]. Dalam penerapan kebijakan energi dalam penerapan Palm Oil Biodiesel tersebut terdapat risiko yang perlu diperhatinkan terhadap pelaksanaannya. Pada krisis tahun 2008 yang menunjukkan ketidaksbilan pada sektor keuangan. Dari Grafik 4.1. Total Badan Usaha BBN Stock Return menunjukkan SMAR.JK mengalami krisis paling berat. TBLA.JK paling stabil dan CEKA.JK tidak mengalami penurunan yang signifikan. Ketika DMO (Domestic Market Obligation) Palm Oil tidak terpenuhi maka biaya lingkungan tidak tercapai

---

The utilization of palm oil biodiesel begins to develop rapidly in conjunction with the implementation of the biofuel mandatory policy, from 2,805 thousand kL in 2013 to 4,706 thousand kL in 2018. Achieving the transition involves the financial sector and the balance of three energy dimensions: security, equity, and environmental sustainability. Big Data Technology is required to handle numerous data variations and comparisons adjusted with the Finance and Energy Trilemma parameter in palm oil biodiesel implementation. This research begins with grouping numerical and categorical data and then continues to data training and data testing. The output will be the results of Big Data analysis on the risks of energy policy in palm oil biofuel implementation. Python software is used to perform the simulation. Biofuel companies (SMARJK, TBLA.JK, and CEKA.JK) yield 28% stock return. The smallest covariance exists between the stocks of SMAR.JK and TBLA.JK, while the correlation between the three companies’ stocks is considered low. The Sharpe Ratio of the three ranges from 0.83 to 0.84. This biodiesel implementation scenario contributes a progressive impact on the growth of energy equity and energy security but lowers environmental sustainability. The value of energy equity, environmental sustainability, and energy security in 2020 is expressed consecutively as [0.72, 0.65, 0.79], which is projected to 2023 with the value expressed as [0.83, 0.53, 0.83]. Risks in conducting the energy policies of palm oil biodiesel should be considered. The crisis that occurred in 2008 displayed instability in the financial sector. Based on Chart 4.1. Total Stock Return of Biodiesel Companies, SMAR.JK suffered from the crisis the most. TBLA.JK was the most secure, and CEKA.JK did not experience a significant decline. If the DMO (Domestic Market Obligation) of palm oil is not met, the environmental cost will not be attained."

"ABSTRAKPenelitian ini ditujukan untuk menentukan kepemilikan produk yang mempengaruhi peningkatan Product Holding Ratio PHR untuk identifikasi nasabah potensial, menentukan segmen yang terbentuk dari nasabah potensial, dan penawaran produk yang sesuai untuk setiap segmen yang terbentuk. Dari data nasabah Bank XYZ, dilakukan regresi logistic dan scoring untuk mendapatkan model dan insight untuk meningkatkan kepemilikan produk PHR serta analisis klaster untuk menentukan segmen nasabah potensial. Hasil analisis menunjukkan pengelompokan karakteristik nasabah potensial menjadi 3 tiga , yakni nasabah student, housewife, dan professional. Masing-masing kelompok memiliki profil, produk yang telah dimiliki dan kecenderungan bertransaksi di merchant tertentu. Hal ini akan dimanfaatkan untuk menyusun produk yang sesuai untuk ditawarkan dan cara komunikasi pemasaran yang tepat sesuai dengan karakteristik tiap kelompok.

---

ABSTRACTThis study is aimed to determine the ownership of products that affect the increase in Product Holding Ratio PHR for the identification of potential customers, determining the segments formed from potential customers, and offering appropriate products for each segment. Base on customer rsquo s data from Bank XYZ, logistic and scoring regressions are applied to obtain models and insights to improve product ownership PHR as well as cluster analysis to determine the segment of potential customers. The results of the analysis show the grouping of potential customer characteristics into 3 three , student, housewife, and professional customers. Each group has a profile, produc that has been owned and the tendency to make transactions in certain merchants. This will be utilized to develop appropriate products to offer and the right way of marketing communications based on the characteristics of each group."

"Dengan ketatnya persaingan pada Industri asuransi kendaraan bermotor dan besarnya kemungkinan hilangnya pelanggan (customer churn), perusahaan dituntut untuk semakin memperhatikan pengelolaan hubungan pelanggan. Faktanya mempertahankan pelanggan dinilai lebih efisien secara sumber daya dibanding jika harus mencari pelanggan baru. Dengan perkembangan teknik pengelolaan (CRM) dan besarnya pertumbuhan data yang ada, kemungkinan untuk menganalisa perilaku pelanggan dan mengurangi terjadinya churn dapat dilakukan dengan analisa big data dan machine learning. Dalam penelitian ini, algoritma machine learning dalam membuat model terbaik yang dapat memprediksi churn pada pelanggan. Data yang digunakan merupakan 27.013 data transaksi pembelian dari PT. Asuransi XYZ yang merupakan salah satu perusahaan asuransi otomotif terbesar di Indonesia. Setelah melakukan eksplorasi dan descriptive analytics, peneliti membandingkan akurasi antara logistic regression, decision tree, dan random forest dalam memprediksi churn pada pelanggan. Ditemukan bahwa random forest memiliki skor akurasi total terbaik yaitu 87.74% diikuti dengan decision tree dan logistic regression. Lebih lanjut lagi, tenure, presentase komisi, dan jumlah premi adalah feature yang paling penting dari model. Hasil dari penelitian diharapkan dapat membantu perusahaan dalam mengurangi churn pada pelangan dengan memprediksi lebih awal dan membuat kampanye retensi pelanggan yang tepat

---

With the tightness of the competition in auto insurance market and the possibilities of company loss because of customer churning, insurer company should put more concern in customer relationship management. Moreover, there is fact of acquiring new costumers is more expensive than retaining one. Fortunately, due to current advancement in CRM and vast growth of data provided, the possibilities to learn customer behavior from the data is becoming feasible to retain the customer. This research purpose is to used machine learning algorithm to build model provide best accuracy to predict customer churn. We use 27.013 transaction data from XYZ Insurance Ltd, one of major auto-insurer in Indonesia. After exploring the data with the descriptive analysis, we conduct predictive analysis model with logistic regression, decision tree, and random forest to determine which algorithm give the best accuracy. This research found that random forest model has highest accuracy score (87,74%) followed by decision tree and logistic regression. Furthermore, tenure, percentage of commision, and amount of premium are the most feature that impacting customer churn. This result could help insurer company to reducing customer churn by creating right marketing campaign to retain customers."

"[ABSTRAKPT. XYZ merupakan perusahaan telekomunikasi di Indonesia yang sedangberusaha mentransformasikan bisnisnya menuju layanan broadband dan bisnisdigital. Banyak peluang bisnis di layanan broadband dan bisnis digital yang dapatdiidentifikasi dengan memproses dan menganalisis data dengan cepat, tepat, danmenyeluruh. Saat ini PT. XYZ telah memiliki kemampuan dalam mengolahbeberapa sumber data yang terstruktur dengan ukuran data yang terbatas. Untukmembuat perhitungan dan keputusan yang jitu, terutama di layanan broadband danbisnis digital, PT. XYZ dituntut juga untuk bisa memproses dan menganalisis datayang memiliki karakteristik 3V (Velocity, Volume, Variety) atau dikenal dengan bigdata. Penelitian ini bertujuan untuk merancang arsitektur sistem pemrosesan bigdata di PT. XYZ. Kerangka arsitektur (framework) enteprise yang digunakan dalampenelitian ini adalah TOGAF. Hasil yang diperoleh dari penelitian ini adalahrancangan arsitektur sistem pemrosesan big data yang mampu mengolah data yangmemiliki karakteristik 3V, yaitu aliran data yang cepat, berukuran masiv, danberanekaragam (terstruktur maupun tidak terstruktur) dengan biaya lebih rendahdari sistem pemrosesan data yang dimiliki PT. XYZ saat ini. Saran untuk penelitianini kedepannya adalah sistem pemrosesan big data di PT. XYZ dapatdiimplementasikan dengan baik jika mendapat dukungan penuh dari manajemenperusahaan, dimulai dengan kasus bisnis yang spesifik (specific business case) yangingin disasar. Hasil yang maksimal dari kasus bisnis tersebut dapat dijadikanlandasan untuk investasi sistem pemrosesan big data yang lebih menyeluruh dalammendukung transformasi bisnis menuju layanan broadband dan bisnis digital.

---

ABSTRACTPT. XYZ is a telecommunication company in Indonesia which is transforming it's business to broadband services & digital business. Many business opportunities in broadband services & digital business can be identified by processing and analyzing data quickly, accurately, and completely. Right now PT. XYZ has the capability in processing some structured data sources with limited data size. To make accurate calculations and decisions, especially in broadband services and digital business, PT. XYZ also required to be able to process and analyze the data that has the characteristics of 3V (Velocity, Volume, Variety) or known as big data. This research aims to design the architecture of big data processing system. The enterprise architecture framework used in this study is TOGAF. The results obtained from this study is the design of big data processing system architecture that is capable of processing data which has the characteristics of 3V (the fast dataflow, massive data size, and diverse structured or unstructured data sources) at a lower cost than the current data processing system in PT. XYZ. The suggestion about this study is the big data processing system can be implemented properly in PT. XYZ with the full support of the PT. XYZ management, started with a specific business use case that want targeted. The maximum results from the business use case can be used as a piloting for big data processing system investments morethorough in supporting business transformation toward broadband services and digital business. ;PT. XYZ is a telecommunication company in Indonesia which is transforming it?s business to broadband services & digital business. Many business opportunities inbroadband services & digital business can be identified by processing and analyzing data quickly, accurately, and completely. Right now PT. XYZ has the capability inprocessing some structured data sources with limited data size. To make accuratecalculations and decisions, especially in broadband services and digital business,PT. XYZ also required to be able to process and analyze the data that has thecharacteristics of 3V (Velocity, Volume, Variety) or known as big data. Thisresearch aims to design the architecture of big data processing system. Theenterprise architecture framework used in this study is TOGAF. The resultsobtained from this study is the design of big data processing system architecturethat is capable of processing data which has the characteristics of 3V (the fast dataflow, massive data size, and diverse structured or unstructured data sources) at alower cost than the current data processing system in PT. XYZ. The suggestionabout this study is the big data processing system can be implemented properly inPT. XYZ with the full support of the PT. XYZ management, started with a specificbusiness use case that want targeted. The maximum results from the business usecase can be used as a piloting for big data processing system investments morethorough in supporting business transformation toward broadband services anddigital business. , PT. XYZ is a telecommunication company in Indonesia which is transforming it’s business to broadband services & digital business. Many business opportunities inbroadband services & digital business can be identified by processing and analyzing data quickly, accurately, and completely. Right now PT. XYZ has the capability inprocessing some structured data sources with limited data size. To make accuratecalculations and decisions, especially in broadband services and digital business,PT. XYZ also required to be able to process and analyze the data that has thecharacteristics of 3V (Velocity, Volume, Variety) or known as big data. Thisresearch aims to design the architecture of big data processing system. Theenterprise architecture framework used in this study is TOGAF. The resultsobtained from this study is the design of big data processing system architecturethat is capable of processing data which has the characteristics of 3V (the fast dataflow, massive data size, and diverse structured or unstructured data sources) at alower cost than the current data processing system in PT. XYZ. The suggestionabout this study is the big data processing system can be implemented properly inPT. XYZ with the full support of the PT. XYZ management, started with a specificbusiness use case that want targeted. The maximum results from the business usecase can be used as a piloting for big data processing system investments morethorough in supporting business transformation toward broadband services anddigital business. ]"

"ABSTRAKNama : Adi MulyadiProgram studi : Magister ManajemenJudul : Analisis Segmentasi Konsumen Pada Perusahaan Real Estate Menggunakan Big Data Analytics Studi pada PT. ISPI Pratama LestariPembimbing : Arga Hananto, M.Bus. Studi tentang segmentasi konsumen dipengaruhi oleh kebutuhan perusahaan untuk bersaing dengan kompetitornya dan menciptakan keunggulan kompetitif bagi perusahaannya. Segmentasi produk merupakan salah satu hal utama dalam dunia bisnis, karena kesalahpahaman dalam segmentasi konsumen dapat mengakibatkan berkurangnya pendapatan. Real estate merupakan industri senilai milyaran dolar yang sangat tersegmentasi, dikarenakan karakteristik konsumennya yang beragam. Indonesia merupakan pasar yang potensial dan bertumbuh bagi industri real estate dan perumahan, karena Indonesia memiliki jumlah penduduk yang besar sekitar 260 juta jiwa dan memiliki area geografis yang luas. Untuk menganalisa data dengan jumlah besar tersebut, perusahaan real estate menggunakan Big Data Analytics, sebagai alat untuk mendapatkan masukan yang berarti dari data tersebut. Big Data mulai banyak digunakan sebagai alat untuk mempelajari tentang kondisi atau untuk memprediksi perilaku yang mungkin terjadi melalui berbagai pemodelan analisis data. Penelitian ini menyajikan analisis segmentasi untuk membantu perusahaan pengembang real estate dalam memahami segmentasi konsumen mereka, dengan menggunakan data transaksi penjualan perusahaan periode 2013 - 2017. Analisis segmentasi dalam penelitian ini telah dikembangkan menggunakan cluster analysis, dengan menggunakan metode hierarchical clustering, Elbow Method, dan K-Means. Hasil dari cluster analysis menunjukkan bahwa terdapat 4 segmen konsumen, yang memiliki karakteristik demografis dan preferensi produk yang berbeda. Selain itu, penelitian ini juga melakukan analisis tabulasi silang untuk mengetahui hubungan antar variabel. Selanjutnya dilakukan analisis diskriminan, dari situ diketahui bahwa gaji dan harga jual merupakan 2 variabel yang secara signifikan memberikan pengaruh paling besar terhadap penentuan cluster membership. Setelah mengetahui karakteristik dan melakukan analisa, dapat diusulkan bentuk promosi yang sesuai bagi masing ndash; masing segmen.Kata kunci:Segmentasi konsumen, real estate, big data, cluster analysis, tabulasi silang

---

ABSTRACTABSTRACT Name Adi MulyadiStudy Program Magister of ManagementTitle Customer Segmentation Analysis In Real Estate Using Big Data Analytics A Study In PT. ISPI Pratama LestariCounsellor Arga Hananto, M.Bus. The study of consumer segmentation is influenced by a company 39 s need to compete with its competitors and create a competitive advantage. Product segmentation is one of the main things in the business world, because misunderstanding in consumer segmentation can lead to reduced revenue. Real estate is a multi billion dollar industry that is highly segmented, due to the diverse characteristics of its customers. Indonesia is a potential and growing market for the real estate and housing industries, as Indonesia has a large population around 260 million people and has a large geographical area. To analyze such big amounts of data, real estate companies use Big Data Analytics, as a means to gain meaningful insight from the data. Big Data is widely used as a tool to learn about conditions or to predict behaviors that may occur through various data analysis models. This study presents segmentation analysis to help real estate developers to understand their customer segmentation using company sales transaction data from 2013 to 2017 period. Segmentation analysis in this research has been developed using cluster analysis, with hierarchical clustering, Elbow Method, and K Means. The results of cluster analysis show that there are 4 segments of consumers, which have different demographic characteristics and product preferences. In addition, this study also conducted cross tabulation analysis to determine the relationship between variables. Then from discriminant analysis, it is known that salary and selling price are 2 variables that significantly give the most influence on cluster membership determination. After knowing the characteristics and perform the analysis, it can be proposed the appropriate form of promotion for each segment. Key words Customer segmentation, real estate, big data, cluster analysis, cross tabulation"

"ABSTRAKPenelitian ini menjelaskan mengenai penerapan segmentasi konsumen berdasarkan CLV agar dapat menghasilkan profil konsumen bagi perusahan untuk memberikan perlakuan yang tepat bagi masing ndash; masing konsumen. Dalam memproses data yang akan digunakan, penelitian ini mengunakan segmentasi RFM sebagai langkah awal untuk mengidentifiksi data dan dilanjutkan dengan klasterisasi menggunakan K-Means agar mendapatkan gambaran data konsumen yang lebih jelas. Hasil dari penelitian ini menunjukan adanya lima jenis profile konsumen yang berbeda berdasarkan perhitungan RFM dan K-Means. Setiap kelompok memiliki karakteristik yang berbeda yang dapat digunakan oleh perusahaan untuk membentuk strategi dalam memberikan pendekatan kepada konsumen. Terdapat juga perbandingan antara kelompok konsumen yang akan dihasilkan apabila perusahaan menggunakan segmentasi konsumen menggunakan CLV dengan saat tidak menggunakan CLV. Dengan memberikan perlakuan yang tepat bagi konsumen yang dapat memberikan keuntungan bagi perusahaan dimasa yang akan datang, maka perusahaan dapat membentuk strategi yang lebih efektif dan tepat sasaran.

---

ABSTRACTThis research focus on how to make a consumer segmentation based on CLV in order to create a customer profile for the company to provide appropriate treatment for each consumer. In order to process the data, this research uses RFM segmentation as the first step to identify the data and continued with K Means clustering to get a better interpretation of consumer data. The results of this research show five different types of consumer profiles based on RFM and K Means calculations. Each cluster has a different characteristic that can be used for a company to define a better strategy in order to approach their customer. There is also a comparison between the consumer groups if the company uses consumer segmentation using CLV or when not using CLV. By providing the right treatment for profitable customer, the company can form an effective and targeted strategy in the future. "

"Saat ini kompetisi di industri telekomunikasi semakin ketat. Perusahaan telekomunikasi yang dapat tetap menghasilkan banyak keuntungan yaitu perusahaan yang mampu menarik dan mempertahankan pelanggan di pasar yang sangat kompetitif dan semakin jenuh. Hal ini menyebabkan perubahan strategi banyak perusahaan telekomunikasi dari strategi 'growth '(ekspansi) menjadi 'value added services'. Oleh karena itu, program mempertahankan pelanggan ('customer retention') saat ini menjadi bagian penting dari strategi perusahaan telekomunikasi. Program tersebut diharapkan dapat menekan 'churn' 'rate 'atau tingkat perpindahan pelanggan ke layanan/produk yang disediakan oleh perusahaan kompetitor. Program mempertahankan pelanggan ('customer retention') tersebut tentunya juga diimplementasikan oleh PT Telekomunikasi Indonesia, Tbk (Telkom) sebagai perusahaan telekomunikasi terbesar di Indonesia. Program tersebut diterapkan pada berbagai produk Telkom, salah satunya Indihome yang merupakan 'home services' berbasis 'subscriber' berupa layanan internet, telepon, dan TV interaktif. Melalui kajian ini, penulis akan menganalisa penyebab 'churn' pelanggan potensial produk Indihome tersebut, sehingga Telkom dapat meminimalisir angka 'churn' dengan melakukan program 'customer retention' melalui 'caring' yang tepat. Mengingat ukuran 'database' pelanggan Indihome yang sangat besar, penulis akan menganalisis data pelanggan tersebut menggunakan metoda 'Big Data Analytics'. 'Big Data' merupakan salah satu metode pengelolaan data yang sangat besar dengan pemetaan dan 'processing' data. Melalui berbagai bentuk 'output', implementasi 'big data' pada perusahaan akan memberikan 'value' yang lebih baik dalam pengambilan keputusan berbasis data.

---

Nowadays, telecommunication industry is very competitive. Telecommunication companies that can make a lot of profit is the one who can attract and retain customers in this highly competitive and increasingly saturated market. This causes change of the strategy of telecommunication companies from growth strategy toward value added services. Therefore, customer retention program is becoming very important in telecommunication companies strategy. This program hopefully can reduce churn rate or loss of potential customers due to the shift of customers to other similar products.

Customer retention program also implemented by PT Telekomunikasi Indonesia, Tbk (Telkom) as the leading telecommunication company in Indonesia. Customer retention program implemented for many Telkom products, including Indihome, a home services based on subscriber which provide internet, phone, and interactive TV. Through this study, the authors will analyze the cause of churn potential customers Indihome product, so that Telkom can minimize the churn number by doing customer retention program through the efficient caring.

Given by huge customer database the author will analyze using Big Data analytics method. Big Data is one method in data management that contain huge data, by mapping and data processing. Through various forms of output, big data implementation on the organization will provide better value in data-based decision making."

"Penelitian ini bertujuan untuk mengidentifikasi segmentasi RFM pada toko kosmetik online di Indonesia. Penelitian ini menggunakan analisis RFM (Recency, Frequency, dan Monetary) yang dilanjutkan dengan K-Means Clustering dengan menggunakan Hiearchical Clustering untuk mencari nilai k. Penelitian ini menggunakan data transaksi penjualan Makeupuccino sepanjang tahun 2017 untuk segmentasi RFM. Hasilnya menunjukkan bahwa jumlah segmentasi yang paling tepat untuk toko kosmetik online adalah 4, yang dibagi menjadi Platinum, Gold, Iron, dan Lead. Keempat segmentasi tersebut memiliki marketing objective dan program marketing yang berbeda.

---

This research aims to identify RFM segmentation on makeup online store in Indonesia. This research uses RFM (Recency, Frequency, and Monetary) analysis and then uses K-Means Clustering with Hierarchical Clustering as the way to finds k values. This study uses transaction on Makeupuccino (one of makeup online store in Indonesia) during 2017 to get RFM segmentation. The result shows that the best RFM segmentation for makeup online store in Indonesia is 4, that divided into Platinum, Gold, Iron, and Lead. Each of segmentation has different marketing objective and marketing program."