Rancang Bangun Customer Relationship Management Untuk Klasifikasi Kunjungan Terbaik Menggunakan Model Random Forest Classification Pada PT ASTRA DAIDO STEEL INDONESIA

Pranajaya, Fachri Fahira (2026) Rancang Bangun Customer Relationship Management Untuk Klasifikasi Kunjungan Terbaik Menggunakan Model Random Forest Classification Pada PT ASTRA DAIDO STEEL INDONESIA. Diploma thesis, Politeknik STMI Jakarta.

	Text 1322039_Fachri Fahira Pranajaya_Abstrak.pdf - Accepted Version Download (324kB)
	Text 1322039_Fachri Fahira Pranajaya_TA.pdf - Accepted Version Restricted to Repository staff only Download (6MB) | Request a copy
	Text 1322039_Fachri Fahira Pranajaya_Turnitin.pdf - Accepted Version Restricted to Repository staff only Download (6MB) | Request a copy
	Text 1322039_Fachri Fahira Pranajaya_Dapus.pdf - Bibliography Download (165kB)

Abstract

Penelitian ini berfokus pada perancangan dan implementasi integrasi model Machine Learning, khususnya algoritma Random Forest Classification, untuk fitur rekomendasi kunjungan pelanggan (Next Best Visit) dalam aplikasi Customer Relationship Management (CRM) Fastware di PT Astra Daido Steel Indonesia. Permasalahan krusial yang saat ini dihadapi oleh perusahaan adalah inefisiensi dalam perumusan taktis target kunjungan mingguan bagi tenaga penjualan lapangan akibat proses manual dan kurang optimalnya pemanfaatan data transaksional yang terisolasi (data silo) pada modul E-Procurement untuk memprediksi probabilitas pembelian. Untuk mengatasi tantangan operasional tersebut, penelitian ini menerapkan metodologi pengembangan sistem System Development Life Cycle (SDLC) model Waterfall yang meliputi tahapan analisis kebutuhan mendalam menggunakan kerangka kerja PIECES, pemodelan visual dengan UML dan BPMN, serta implementasi dan pengujian. Integrasi sistem dirancang menggunakan arsitektur microservices modern yang menghubungkan aplikasi web utama berbasis Laravel (Fastware) dengan layanan analitik berbasis Python (FastAPI) melalui komunikasi REST API berprotokol HTTP dan format pertukaran data JSON. Hasil implementasi menunjukkan bahwa integrasi aliran data transaksi historis dengan metrik Recency, Frequency, Monetary (RFM) secara efektif mengotomatisasi pengkategorian serta prioritas pelanggan, yang secara signifikan memangkas durasi rapat koordinasi perencanaan kunjungan dari beberapa jam menjadi hanya beberapa menit. Pengujian fungsionalitas sistem melalui Black Box Testing mencapai tingkat keberhasilan 100%. Sementara itu, evaluasi performa model Random Forest Classification menunjukkan akurasi sebesar 88,46%, F1-Score sebesar 73,47%, dan Recall sebesar 72,97%, dengan akurasi validasi silang rata-rata mencapai 83,66%. Temuan penelitian ini membuktikan bahwa integrasi model analitik yang dikembangkan berpotensi besar dalam meningkatkan efektivitas pengambilan keputusan strategis operasional perusahaan, sekaligus memungkinkan respons yang lebih adaptif dan cepat terhadap dinamika kebutuhan pasar baja secara real-time. Kata Kunci: Customer Relationship Management, Next Best Visit, Random Forest Classification, Microservices, RFM Analysis.

Actions (login required)

View Item