Segmentasi Pelanggan Berdasarkan Recency, Frequency, dan Monetary dengan K-Means Clustering: Studi Kasus Toko Pakaian Almost Famous

Firman Arifianto, Jonlisen Hasudungan, Adamara Muzaky, Harry T.Y. Achsan

Abstract


Penelitian ini bertujuan untuk menganalisis loyalitas pelanggan dalam konteks bisnis distro pakaian dengan menggunakan model RFM (Recency, Frequency, Monetary) dan algoritma K-Means. Data yang dianalisis berasal dari basis data membership Distro Almost Famous Clothing Store yang mencakup tiga cabang di Beji, Jagakarsa, dan Kelapa Dua. Pengumpulan data melibatkan informasi penting mengenai pelanggan terdaftar, kunjungan terakhir pelanggan, dan jumlah pembelian selama menjadi anggota membership. Setelah melalui proses pra-pemrosesan data, dilakukan segmentasi pelanggan menggunakan model RFM untuk membagi pelanggan menjadi kelompok berdasarkan tingkat recency, frequency, dan monetary value. Selanjutnya, algoritma K-Means digunakan untuk memetakan kelompok pelanggan yang serupa dengan menggunakan metode Elbow Curved, Silhouette Coefficient, dan Davies-Bouldin Index untuk menentukan jumlah cluster yang optimal. Hasil penelitian menunjukkan adanya tiga kelompok pelanggan dengan tingkat loyalitas yang berbeda: Cluster 0 (loyalitas tinggi) dengan 3225 pelanggan, Cluster 1 (loyalitas sedang) dengan 3.119 pelanggan, dan Cluster 2 (loyalitas rendah) dengan 1258 pelanggan. Implikasi dari penelitian ini adalah memberikan panduan kepada perusahaan dalam merancang strategi yang sesuai dengan karakteristik masing-masing kelompok pelanggan untuk meningkatkan retensi pelanggan dan pertumbuhan bisnis secara keseluruhan. Bagi pelanggan dengan loyalitas rendah, disarankan perusahaan untuk menyelenggarakan potongan harga atau promosi khusus, meningkatkan kualitas produk atau layanan, serta menawarkan program loyalitas guna mendorong kembali kegiatan berbelanja. Bagi pelanggan dengan loyalitas sedang, perusahaan dapat meningkatkan daya tarik program loyalitas, memperluas portofolio produk atau layanan yang relevan, dan menjalankan strategi pemasaran yang dapat meningkatkan frekuensi pembelian. Bagi pelanggan dengan loyalitas tinggi, disarankan perusahaan memberikan penghargaan tambahan, meningkatkan pengalaman pelanggan melalui personalisasi, dan terus mengembangkan produk atau layanan baru.

Full Text:

PDF

References


Allegue, S., Abdellatif, T., & Bannour, K. (2020). RFMC: a spending-category segmentation. In 2020 IEEE 17th International Conference on Web and Information Technologies (WETICE) (pp. 165-170). IEEE.

Anitha, P., & Patil, M. M. (2022). RFM model for customer purchase behavior using K-Means algorithm. Journal of King Saud University - Computer and Information Sciences, 34(5).

Ashari, F., Ilham, Nugroho, E., Baraku, R., Yanda, I., & Liwardana, R. (2023). Analysis of Elbow, Silhouette, Davies-Bouldin, Calinski-Harabasz, and Rand-Index Evaluation on K-Means Algorithm for Classifying Flood-Affected Areas in Jakarta. Journal of Applied Informatics and Computing, 7, 89-97. https://doi.org/10.30871/jaic.v7i1.4947

Basri, F. M., Gata, W., & Risnandar. (2020). Analisis loyalitas pelanggan berbasis model recency, frequency, dan monetary (RFM).

Christy, A. J., Umamakeswari, A., Priyatharsini, L., & Neyaa, A. (2021). RFM ranking – An effective approach to customer segmentation. Journal of King Saud University - Computer and Information Sciences, 33(10), 1251-1257.

Febriani, A., & Putri, S. A. (2020). Consumer Segmentation Based on Recency, Frequency, Monetary Models with the K-Means Method. Journal of Industrial Engineering and Management Systems, 13(2), 52-57.

Hastie, T., Tibshirani, R., & Friedman, J. H. (2009). The elements of statistical learning: Data mining, inference, and prediction. Springer.

Hossain, MZ, Akhtar, MN, Ahmad, RB, & ... (2019). A dynamic K-means clustering for data mining. Indonesian Journal of …, squ.elsevierpure.com, https://squ.elsevierpure.com/ar/publications/a-dynamic-k-means-clustering-for-data-mining

Ikotun, A. M., Ezugwu, A. E., Abualigah, L., Abuhaija, B., Heming, J., & Abualigah, L. (2023). K-means clustering algorithms: A comprehensive review, variants analysis, and advances in the era of big data. Information Sciences, 622, 178-210.

Jain, A. K. (2010). Data clustering: 50 years beyond k-means. Pattern Recognition Letters, 31(8), 651-666.

James, G., Witten, D., Hastie, T., & Tibshirani, R. (2013). An introduction to statistical learning (Vol. 112). New York, NY: Springer.

Kotler, P., & Keller, K. L. (2016). Marketing management (15th ed.). New Jersey: Pearson Education.

Rokach, L., & Maimon, O. (Eds.). (2005). Data mining and knowledge discovery handbook. Berlin, Germany: Springer Science & Business Media.

Setiono, A., Triayudi, A., & Handayani, E. T. E. (2023). Analysis of Recency Frequency Monetary and K-Means Clustering in Dental Clinics to Determine Patient Segmentation. JSiI | Jurnal Sistem Informasi, 10(1), 1-6.

Sinaga, K. P., & Yang, M.-S. (2020). Unsupervised K-Means Clustering Algorithm. IEEE Access, 8, 80716-80727.




DOI: https://doi.org/10.37012/jtik.v10i1.2096

Refbacks

  • There are currently no refbacks.


Copyright (c) 2024 Firman Arifianto, Jonlisen Hasudungan, Adamara Muzaky, Harry T.Y. Achsan

Creative Commons License
This work is licensed under a Creative Commons Attribution 4.0 International License.

Address:
Universitas Mohammad Husni Thamrin
Jl. Raya Pd. Gede No.23-25, RT.2/RW.1, Dukuh, Kec. Kramat jati, Kota Jakarta Timur, Daerah Khusus Ibukota Jakarta 13550

Creative Commons License
Jurnal Teknologi Informatika & Komputer Mohammad Husni Thamrin is licensed under a Creative Commons Attribution 4.0 International License.

View My Stats