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

Authors

  • Firman Arifianto Universitas Paramadina, Indonesia
  • Jonlisen Hasudungan Universitas Paramadina, Indonesia
  • Adamara Muzaky Universitas Paramadina, Indonesia
  • Harry T.Y. Achsan Universitas Paramadina, Indonesia

DOI:

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

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.

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.

Downloads

Published

2024-03-30

Issue

Vol. 10 No. 1 (2024): Jurnal Teknologi Informatika dan Komputer

Section

Articles

Citation Check

License

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.

Jurnal Teknologi Informatika dan Komputer allows readers to read, download, copy, distribute, print, search, or link to the full texts of its articles and allow readers to use them for any other lawful purpose. The journal allows the author(s) to hold the copyright without restrictions. Finally, the journal allows the author(s) to retain publishing rights without restrictions Authors are allowed to archive their submitted article in an open access repository Authors are allowed to archive the final published article in an open access repository with an acknowledgment of its initial publication in this journal.

Creative Commons License
Jurnal Teknlogi Informatika dan Komputer is licensed under a Creative Commons Attribution 4.0 International License.