SEGMENTASI PELANGGAN MENGGUNAKAN MODEL RFM DAN ALGORITMA CLUSTERING K- MEANS PADA TOKO RITEL

Abstract

Penelitian ini mengkaji penerapan model RFM (Recency, Frequency, Monetary) yang dikombinasikan dengan algoritma klasterisasi K-Means untuk melakukan segmentasi pelanggan pada sektor ritel. Tujuan utama penelitian ini adalah merancang alur analisis data yang sistematis, menentukan jumlah klaster yang optimal, serta menginterpretasikan karakteristik setiap klaster guna mendukung strategi pemasaran berbasis data. Tahapan penelitian meliputi pembersihan data transaksi, perhitungan skor RFM, normalisasi fitur, serta proses klasterisasi menggunakan metode Elbow dan evaluasi kualitas klaster melalui Davies–Bouldin Index (DBI). Hasil penelitian menunjukkan bahwa meskipun frekuensi transaksi relatif rendah, transformasi dan normalisasi fitur RFM mampu membentuk klaster pelanggan yang teridentifikasi dengan baik. Evaluasi DBI menunjukkan bahwa k = 3 merupakan jumlah klaster optimal dengan nilai DBI terendah sebesar 0.7259. Ketiga klaster yang terbentuk menggambarkan pelanggan bernilai tinggi, pelanggan aktif dengan nilai sedang, serta pelanggan pasif yang berisiko churn. Interpretasi berdasarkan nilai rata-rata RFM tiap klaster menghasilkan rekomendasi strategis, seperti program loyalitas untuk pelanggan bernilai tinggi dan kampanye reaktivasi bagi pelanggan berisiko. Penelitian ini membuktikan bahwa kombinasi RFM dan K-Means tetap efektif dalam segmentasi pelanggan pada lingkungan ritel dengan intensitas transaksi rendah, serta mendorong penelitian lanjutan menggunakan metode klasterisasi alternatif dan integrasi variabel perilaku tambahan.