Implementasi Teknik RFM dan K-Means untuk Klasterisasi Produk Berdasarkan Negara Tujuan
DOI:
https://doi.org/10.32682/ayk5fj86Keywords:
Data Mining, Klasterisasi Produk, Analisis RFM, K-Means Clustering, Retail InternasionalAbstract
Perkembangan digitalisasi perdagangan menghasilkan data transaksi retail berjumlah besar yang belum dimanfaatkan secara optimal untuk perumusan strategi pemasaran lintas negara. Penelitian ini bertujuan untuk mengimplementasikan teknik Recency, Frequency, dan Monetary (RFM) serta algoritma K-Means Clustering dengan inisialisasi K-Means guna mengklasterisasi negara tujuan ekspor pada dataset Online Retail II. Pendekatan kuantitatif ini dijalankan secara sistematis mengacu pada kerangka kerja CRISP-DM. Penentuan jumlah kelompok dilakukan secara empiris melalui kombinasi Elbow Method dan evaluasi Silhouette Score yang menetapkan konfigurasi tiga klaster sebagai model paling optimal. Hasil penelitian menunjukkan terbentuknya segmentasi pasar yang terukur, di mana United Kingdom teridentifikasi secara tunggal sebagai klaster High Value dengan kontribusi ekonomi mutlak mencapai £7,28 juta. Sementara itu, 31 negara (seperti Jerman dan Prancis) masuk dalam kategori Mid Value dengan potensi pertumbuhan yang stabil, dan 5 negara lainnya berada pada segmen Low Value yang bersifat pasif. Penelitian ini menyimpulkan bahwa integrasi model RFM dan K-Means mampu menyederhanakan data transaksional makro menjadi basis segmentasi pasar yang objektif. Implikasi praktis dari hasil pengelompokan ini memberikan landasan strategis bagi manajemen retail global dalam menentukan skala prioritas alokasi inventaris, diversifikasi produk premium, serta efisiensi biaya logistik pada wilayah ekspor secara tepat sasaran.
References
[1] A. Pertiwi and R. Puspita, “Penerapan Big Data Analytics untuk Pengambilan Keputusan Bisnis pada,” vol. 4, no. 4, pp. 7857–7864, 2025.
[2] M. Sulaiman, R. Yudistira, R. Narasati, and R. Herdiana, “Penerapan Data Mining dengan Metode Clustering untuk menentukan Strategi Peningkatan Penjualan Berdasarkan Data Transaksi,” vol. 6, no. 1, 2024.
[3] R. D. Nugraha, D. D. Adelia, and D. Rivaldi, “Segmentasi Pelanggan Retail Berbasis Perilaku menggunakan Algoritma K- Means Clustering,” vol. 5, no. 2, pp. 141–148, 2025.
[4] Y. K. Febrina, R. Saputra, K. F. G, M. Informatika, T. Informasi, and P. N. Padang, “E ISSN : 2809-4069 Segmentasi Pelanggan Toko Hanifah Berdasarkan Analisis RFM dengan Metode K-Means Clustering,” vol. 5, no. 2, pp. 274–282, 2025.
[5] M. F. Fadhillah, A. Lovely, A. Suyoso, and I. Puspitasari, “Customer Segmentation with Clustering Algorithm Based on Recency , Frequency , and Monetary ( RFM ) Attributes Segmentasi Pelanggan dengan Algoritma Clustering Berdasarkan Atribut Recency , Frequency dan Monetary ( RFM ),” vol. 5, no. January, pp. 48–56, 2025.
[6] S. Pujiono, R. Astuti, and F. M. Basysyar, “IMPLEMENTASI DATA MINING UNTUK MENENTUKAN POLA PENJUALAN PRODUK MENGGUNAKAN ALGORITMA K-MEANS CLUSTERING,” vol. 8, no. 1, 2024.
[7] I. P. Satria, D. Wibawa, and M. Agung, “Analisis Perbandingan K-Means ++ , Mini Batch K- Means , dan Fuzzy C-Means pada Segmentasi Pelanggan,” vol. 4, no. November, pp. 171–180, 2025.
[8] A. A. Rahma, A. Faqih, and R. Rinaldi, “Optimalisasi Strategi Pemasaran melalui Segmentasi Pelanggan dengan Analisis RFM dan Algoritma K-Means untuk Bisnis Ritel Marketing Strategy Optimization through Customer Segmentation with RFM Analysis and K-Means Algorithm for Retail Businesses,” no. 2, pp. 338–351, 2025, doi: 10.26798/jiko.v9i2.1737.
[9] J. Nasional and S. Informasi, “Integrasi Algoritma FP-Growth dan K-Means untuk Analisis Keranjang Belanja dan Segmentasi Pelanggan pada Data Transaksi Ritel,” vol. 02, pp. 128–135, 2025.
[10] A. Jihan, W. Prihartono, and K. Cirebon, “KONSUMEN K-MEANS BERDASARKAN MODEL RFM,” vol. 13, no. 2, 2025.
