Segmentasi Pelanggan Toko ABC Menggunakan Algoritma K-Means Untuk Optimasi Strategi Pemasaran
DOI:
https://doi.org/10.29407/12fbkw98Keywords:
algoritma K-Means, Klasterisasi, Segmentasi pelanggan, strategi penjualanAbstract
Dalam menghadapi persaingan bisnis yang semakin kompetitif, perusahaan dituntut untuk melakukan strategi penjualan yang tepat. Salah satu tantangan utama perusahaan saat ini adalah membangun hubungan yang lebih kuat dengan pelanggan. Penelitian ini bertujuan untuk memberikan solusi bagi perusahaan melalui penerapan strategi segmentasi pelanggan berdasarkan perilaku pembelian pelanggan dengan melakukan analisis terhadap Recency, Frequency, Monetary. Analisis Recency, Frequency, Monetary berguna mendukung strategi pemasaran yang lebih terarah. Klasterisasi dengan algoritma K-Means digunakan untuk mengelompokkan pelanggan ke dalam beberapa segmen berdasarkan perilaku pembelian mereka. Evaluasi model dalam penelitian ini menggunakan perhitungan Silhouette Score dan Davies-Bouldin Index dalam menentukan jumlah klaster yang optimal. Hasil evaluasi menunjukkan bahwa segmentasi terbaik diperoleh pada jumlah klaster sebanyak empat, dengan nilai Silhouette Score sebesar 0,5644 dan Davies-Bouldin Index sebesar 0,7236. Hasil segmentasi ini memberikan dasar yang kuat untuk penerapan program yang lebih tepat sasaran, seperti program loyalitas, promosi retensi, dan kampanye reaktivasi pelanggan.
Downloads
References
[1] A. D. Savitri, F. A. Bachtiar, and N. Y. Setiawan, “Segmentasi Pelanggan Menggunakan Metode K-Means Clustering Berdasarkan Model RFM Pada Klinik Kecantikan (Studi Kasus : Belle Crown Malang),” J. Pengemb. Teknol. Inf. dan Ilmu Komput. Univ. Brawijaya, vol. 2, no. 9, pp. 2957–2966, 2018.
[2] H. Hairani, D. Susilowati, I. Puji Lestari, K. Marzuki, and L. Z. A. Mardedi, “Segmentasi Lokasi Promosi Penerimaan Mahasiswa Baru Menggunakan Metode RFM dan K-Means Clustering,” MATRIK J. Manajemen, Tek. Inform. dan Rekayasa Komput., vol. 21, no. 2, pp. 275–282, 2022, doi: 10.30812/matrik.v21i2.1542.
[3] K. Tsiptsis and A. Chorianopoulos, Data Mining Techniques in CRM: Inside Customer Segmentation. 2010. doi: 10.1002/9780470685815.
[4] P. Li, C. Wang, J. Wu, and R. Madlenak, “An E-commerce Customer Segmentation Method based on RFM Weighted K-means,” Proc. - 2022 Int. Conf. Manag. Eng. Softw. Eng. Serv. Sci. ICMSS 2022, pp. 61–68, 2022, doi: 10.1109/ICMSS55574.2022.00017.
[5] A. T. Widiyanto and A. Witanti, “Segmentasi Pelanggan Berdasarkan Analisis RFM Menggunakan Algoritma K-Means Sebagai Dasar Strategi Pemasaran (Studi Kasus PT Coversuper Indonesia Global),” KONSTELASI Konvergensi Teknol. dan Sist. Inf., vol. 1, no. 1, pp. 204–215, 2021, doi: 10.24002/konstelasi.v1i1.4293.
[6] K. Z. Wijaya, A. Djunaidi, and F. Mahananto, “Segmentasi Pelanggan Menggunakan Algoritma K-Means dan Analisis RFM di Ova Gaming E-Sports Arena Kediri,” J. Tek. ITS, vol. 10, no. 2, 2021, doi: 10.12962/j23373539.v10i2.67707.
[7] P. A. Wicaksana, I. B. A. Swamardika, and R. S. Hartati, “Literature Review Analisis Perilaku Pelanggan Menggunakan RFM Model,” Maj. Ilm. Teknol. Elektro, vol. 21, no. 1, p. 21, 2022, doi: 10.24843/mite.2022.v21i01.p04.
[8] P. Indra Pangestu, T. Iman Hermanto, and D. Irmayanti, “Analisis Segmentasi Pelanggan Berbasis Recency Frequency Monetary (Rfm) Menggunakan Algoritma K-Means,” JATI (Jurnal Mhs. Tek. Inform., vol. 7, no. 3, pp. 1486–1492, 2023, doi: 10.36040/jati.v7i3.7171.
[9] S. F. Djun, I. G. A. Gunadi, and S. Sariyasa, “Analisis Segmentasi Pelanggan pada Bisnis dengan Menggunakan Metode K-Means Clustering pada Model Data RFM,” JTIM J. Teknol. Inf. dan Multimed., vol. 5, no. 4, pp. 354–364, 2024, doi: 10.35746/jtim.v5i4.434.
[10] M. A. Hasanah, S. Soim, and A. S. Handayani, “Implementasi CRISP-DM Model Menggunakan Metode Decision Tree dengan Algoritma CART untuk Prediksi Curah Hujan Berpotensi Banjir,” J. Appl. Informatics Comput., vol. 5, no. 2, pp. 103–108, 2021, doi: 10.30871/jaic.v5i2.3200.
[11] D. U. Iswavigra, L. E. Zen, and H. Hanim, “Marketing Strategy UMKM Dengan CRISP-DM Clustering &Promotion Mix Menggunakan Metode K-Medoids,” J. Inf. dan Teknol., vol. 5, pp. 45–54, 2023, doi: 10.37034/jidt.v5i1.260.
Downloads
Published
Issue
Section
License
Copyright (c) 2026 Zevanya Aurellia Cahyadevi, Ellya Nurfarida, Rinanza Zulmy Alhamri
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
