IMPLEMENTASI RFM DAN K-MEANS PADA SEGMENTASI PELANGGAN UNTUK STRATEGI BISNIS
DOI:
https://doi.org/10.32682/a6ww6039Keywords:
Data Mining, Segmentasi Pelanggan, RFM, K-Means Clustering, CRISP-DMAbstract
Perkembangan teknologi dan meningkatnya jumlah data transaksi pelanggan mendorong perusahaan untuk memanfaatkan data mining dalam mendukung strategi bisnis. Salah satu penerapan data mining adalah segmentasi pelanggan untuk mengetahui karakteristik perilaku pelanggan berdasarkan aktivitas transaksi mereka. Penelitian ini bertujuan untuk melakukan segmentasi pelanggan menggunakan metode RFM (Recency, Frequency, Monetary) dan algoritma K-Means Clustering pada Shopping Trends and Customer Behaviour Dataset. Proses penelitian dilakukan menggunakan pendekatan CRISP-DM yang meliputi tahap business understanding, data understanding, data preparation, modeling, evaluation, dan deployment. Data pelanggan terlebih dahulu melalui tahap preprocessing dan normalisasi menggunakan MinMaxScaler sebelum dilakukan proses clustering. Penentuan jumlah cluster optimal dilakukan menggunakan metode Elbow dan menghasilkan nilai optimal pada k = 3. Hasil penelitian menunjukkan bahwa pelanggan berhasil dikelompokkan menjadi tiga segmen utama yaitu High Value Customers, Potential Loyalist, dan Low Value Customers yang memiliki karakteristik perilaku transaksi berbeda. Selain itu, hasil segmentasi divisualisasikan dalam bentuk dashboard interaktif untuk mempermudah pemahaman hasil analisis dan mendukung pengambilan keputusan bisnis. Penelitian ini menunjukkan bahwa metode RFM dan K-Means Clustering dapat membantu perusahaan memahami perilaku pelanggan dan menyusun strategi pemasaran yang lebih tepat sasaran
References
[1] N. M. A.-Q. Zaehol Fatah, “Menerapkan Algoritma Data Mining Untuk Memahami Profil dan Preferensi Pembeli Online Menggunakan Metode K –Means,” vol. 5, no. April, pp. 368–377, 2026.
[2] Opensend, “Churn Rate Ecommerce.” [Online]. Available: https://www.opensend.com/post/churn-rate-ecommerce
[3] N. H. Fauziyyah, I. W. Sudiarsa, I. Ayu, E. Sastradewi, K. Agustine, and Y. Parisya, “Analisis Prediksi Customer Churn pada Sektor E-Commerce Berdasarkan Perilaku Transaksi Menggunakan Pendekatan Machine Learning pelanggan secara lebih akurat dan objektif karena data transaksi pelanggan semakin mudah,” 2026.
[4] R. M. Fauzan and G. Alfian, “Segmentasi Pelanggan E-Commerce Menggunakan Fitur Recency , Frequency , Monetary ( RFM ) dan Algoritma Klasterisasi K-Means,” vol. 9, no. 3, pp. 170–177, 2024.
[5] A. Massahiro et al., “The evolution of CRISP-DM for Data Science : Methods , Processes and Frameworks,” 2024, doi: 10.5753/reviews.2024.3757.
[6] S. Robo, P. I. Melani, P. Fernatyanan, and M. Riandi, “The Application of Customers Segmentation Using RFM Analysis Method and K-Means Clustering to Improve Marketing Strategy,” vol. 8, no. 158, pp. 200–211, 2024.
[7] A. R. P. and F. R. C. Malay Sarkar, “Optimizing Marketing Strategies with RFM Method and K-Means Clustering-Based AI Customer Segmentation Analysis,” pp. 54–60, 2024, doi: 10.32996/jbms.
[8] Y. Syahra et al., “Customer Segmentation Using RFM and K- Means Clustering to Support CRM in Retail Industry,” vol. 9, no. 3, pp. 1120–1131, 2025.
[9] N. Mirantika and E. Rijanto, “COMPARATIVE ANALYSIS OF K-MEANS AND K-MEDOIDS ALGORITHMS IN DETERMINING CUSTOMER SEGMENTATION USING RFM MODEL,” vol. 18, no. 5, pp. 2340–2351, 2023.
[10] P. E. Prasetyo, S. H. Bintari, and D. D. Saputro, “Customer Segmentation Using the Integration of the Recency Frequency Monetary Model and the K-Means Cluster Algorithm,” vol. 9, no. 2, pp. 189–196, 2022, doi: 10.15294/sji.v9i2.39437.
