Analisis Segmentasi Kebiasaan Belanja Berdasarkan Data Penjualan Menggunakan Metode K-Means
DOI:
https://doi.org/10.29407/gd0edc94Abstract
Segmentasi pelanggan merupakan strategi penting dalam meningkatkan efektivitas pemasaran ritel di era data-driven. Penelitian ini bertujuan mengelompokkan pelanggan berdasarkan kebiasaan belanja menggunakan algoritma K-Means. Data transaksi sekunder dianalisis melalui tahapan preprocessing, normalisasi, dan visualisasi Elbow Method untuk menentukan jumlah klaster. Hasilnya menunjukkan empat klaster utama dengan karakteristik unik, seperti pelanggan muda dengan frekuensi tinggi, hingga pelanggan senior dengan nilai transaksi tertinggi dan preferensi pembayaran digital. Analisis mendalam mengungkap hubungan antara usia, jumlah pembelian, dan metode pembayaran terhadap nilai ekonomi tiap segmen. Kebaruan penelitian ini terletak pada integrasi data perilaku dan demografis secara simultan dalam proses segmentasi, yang jarang dioptimalkan pada studi sebelumnya. Pendekatan ini mendukung penyusunan strategi pemasaran yang lebih personal dan tepat sasaran, serta mendorong pemanfaatan data transaksi sebagai aset strategis dalam pengambilan keputusan bisnis.
Keywords:
Analisis data transaksi, K-Means, Segmentasi Pelanggan##plugins.themes.default.displayStats.downloads##
References
[1] A. P. Nugroho, D. Karunia, and S. Suroto, “SEGMENTASI PASAR TERHADAP PENINGKATAN PENJUALAN KEJU MOZZARELLA DI KOTA MALANG,” 2023.
[2] P. Indra Pangestu, T. Iman Hermanto, and D. Irmayanti, “ANALISIS SEGMENTASI PELANGGAN BERBASIS RECENCY FREQUENCY MONETARY (RFM) MENGGUNAKAN ALGORITMA K-MEANS,” JATI (Jurnal Mahasiswa Teknik Informatika), vol. 7, no. 3, pp. 1486–1492, Oct. 2023, doi: 10.36040/jati.v7i3.7171.
[3] E. Daniati and H. Utama, 2019 4th International Conference on Information Technology, Information Systems and Electrical Engineering (ICITISEE). IEEE, 2019. doi: 10.1109/ICITISEE48480.2019.9003858.
[4] E. Daniati and A. Nugroho, Proceedings, 6th IEEE International Conference on Control System, Computing and Engineering (ICCSCE 2016) : Parkroyal Penang Resort, Batu Ferringhi, Penang, Malaysia, 25th-27th Nov 2016. IEEE, 2016. doi: 10.1109/ICCSCE.2016.7893593.
[5] A. Setiono, A. Triayudi, and E. T. Esti Handayani, “ANALISIS RECENCY FREQUENCY MONETARY DAN K-MEANS CLUSTERING PADA KLINIK GIGI UNTUK MENENTUKAN SEGMENTASI PASIEN,” JSiI (Jurnal Sistem Informasi), vol. 10, no. 1, pp. 1–6, Mar. 2023, doi: 10.30656/jsii.v10i1.5999.
[6] A. Febriani and S. A. Putri, “Segmentasi Konsumen Berdasarkan Model Recency, Frequency, Monetary dengan Metode K-Means,” JIEMS (Journal of Industrial Engineering and Management Systems), vol. 13, no. 2, Sep. 2020, doi: 10.30813/jiems.v13i2.2274.
[7] Y. Yuliana and A. Ardansyah, “Analisis Strategi Pemasaran Untuk Meningkatkan Penjualan Minuman Kedai Kopi Square di Kota Bandar Lampung,” SINOMIKA Journal: Publikasi Ilmiah Bidang Ekonomi dan Akuntansi, vol. 1, no. 3, pp. 309–320, Aug. 2022, doi: 10.54443/sinomika.v1i3.265.
[8] N. R. Noperahila and F. Sulianta, “Analisis Pola Perilaku Konsumen dan Kebiasaan Belanja menggunakan Metode K-Means Clustering,” 2024. doi: 10.30813/jiems.v13i2.2274.
[9] A. Pramudiansyah and H. Munte, “SEGMENTASI PELANGGAN MENGGUNAKAN ALGORITMA K-MEANS BERDASARKAN MODEL RECENCY FREQUENCY MONETARY,” vol. 7, no. 2, 2021, [Online]. Available: http://ejournal.fikom-unasman.ac.id
[10] Andy Hermawan, Fachmi Aditama, Lintang Rizki Ramadhani, Nuur Muhammad Ilham, Aji Saputra, and Nila Rusiardi Jayanti, “Analisis Segmentasi Pelanggan Berbasis RFM dan Evaluasi Efektivitas Kampanye Pemasaran untuk Meningkatkan Retensi,” Neptunus: Jurnal Ilmu Komputer Dan Teknologi Informasi, vol. 2, no. 4, pp. 28–42, Oct. 2024, doi: 10.61132/neptunus.v2i4.400.
[11] A. Hermawan et al., “Optimalisasi Strategi Pemasaran Melalui Analisis RFM pada Dataset Transaksi Ritel Menggunakan Python,” Jurnal Manajemen Riset Inovasi, vol. 2, no. 4, pp. 254–267, doi: 10.55606/mri.v2i4.3246.
[12] N. H. Harani, C. Prianto, and F. A. Nugraha, “Segmentasi Pelanggan Produk Digital Service Indihome Menggunakan Algoritma K-Means Berbasis Python,” Jurnal Manajemen Informatika (JAMIKA), 2020, doi: 10.34010/jamika.v10i2.
[13] E. Febrianty, L. Awalina, and W. I. Rahayu, “Optimalisasi Strategi Pemasaran dengan Segmentasi Pelanggan Menggunakan Penerapan K-Means Clustering pada Transaksi Online Retail Optimizing Marketing Strategies with Customer Segmentation Using K-Means Clustering on Online Retail Transactions,” Jurnal Teknologi dan Informasi (JATI), vol. 13, 2023, doi: 10.34010/jati.v13i2.
[14] N. Puspitasari, J. A. Widians, and N. B. Setiawan, “Customer segmentation using bisecting k-means algorithm based on recency, frequency, and monetary (RFM) model,” Jurnal Teknologi dan Sistem Komputer, vol. 8, no. 2, pp. 78–83, Apr. 2020, doi: 10.14710/jtsiskom.8.2.2020.78-83.
[15] R. G. Praditya, G. Sembodo, and J. Heikal, “Market segmentation analysis to find out products and services that suit customer needs using the python KMEANS clustering method (Case study: Superindo Tambun Area, Bekasi),” Jurnal Teknik Industri Terintegrasi, vol. 7, no. 4, pp. 2072–2081, Oct. 2024, doi: 10.31004/jutin.v7i4.35889.
[16] P. H. Suharti, A. S. Suryandari, and R. N. Amalia, “ANALISIS KINERJA MODUL PENGENDALI TEKANAN UDARA PCT-14 BERBASIS PLC DENGAN BERBAGAI METODA TUNING,” Sebatik, vol. 26, no. 2, pp. 420–427, Dec. 2022, doi: 10.46984/sebatik.v26i2.2134.
Downloads
Published
Issue
Section
License
Copyright (c) 2025 Nurun Nihayatur Rifqiyah Aulia, Cindy Avitaselly Bambang Saputri, Erna Daniati
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
Authors who publish with this journal agree to the following terms:
- Copyright on any article is retained by the author(s).
- The author grants the journal, right of first publication with the work simultaneously licensed under a Creative Commons Attribution License that allows others to share the work with an acknowledgment of the work’s authorship and initial publication in this journal.
- Authors are able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal’s published version of the work (e.g., post it to an institutional repository or publish it in a book), with an acknowledgment of its initial publication in this journal.
- Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published work.
- The article and any associated published material is distributed under the Creative Commons Attribution-ShareAlike 4.0 International License
