Segmentasi Pelanggan Toko Hanifah Berdasarkan Analisis RFM dengan Metode K-Means Clustering

Yerri Kurnia Febrina; Riyan Saputra; Katrina Flomina G

doi:10.55382/jurnalpustakaai.v5i2.1084

Penulis

Yerri Kurnia Febrina Politeknik Negeri Padang
Riyan Saputra Universitas Putra Indonesia "YPTK" Padang
Katrina Flomina G

DOI:

https://doi.org/10.55382/jurnalpustakaai.v5i2.1084

Kata Kunci:

penambangan data, pengelompokan k-means, rfm, segmentasi pelanggan

Abstrak

Penjualan merupakan aspek krusial dalam bisnis karena secara langsung mempengaruhi pendapatan dan daya saing di pasar. Dalam konteks ritel, pendekatan penjualan yang seragam sering kali kurang efektif mengingat keragaman karakteristik dan perilaku belanja pelanggan. Penelitian ini dilakukan di Toko Hanifah, sebuah toko kebutuhan harian, dengan tujuan mengelompokkan pelanggan berdasarkan perilaku belanja mereka menggunakan analisis RFM (Recency, Frequency, Monetary) yang kemudian diklasifikasikan lebih lanjut menggunakan algoritma K-Means Clustering. Melalui pendekatan ini, pelanggan berhasil dikelompokkan ke dalam empat klaster, yaitu pelanggan reguler, pasif, loyal, dan pelanggan potensial. Klasterisasi ini didukung oleh analisis Principal Component Analysis (PCA) yang menunjukkan sebaran klaster yang jelas. Hasil penelitian ini memberikan kontribusi praktis dalam merumuskan strategi penjualan yang lebih efisien dan terarah, serta meningkatkan efektivitas pemasaran berdasarkan karakteristik masing-masing kelompok pelanggan. Pendekatan ini juga membuktikan potensi pemanfaatan data transaksi dalam mendukung pengambilan keputusan bisnis di sektor ritel.

Unduhan

Data unduhan belum tersedia.

Referensi

Ikhsan, I., & Putra, A. A. (2018). Autonomous Sales [1] U. Apaolaza, A. Orue, A. Lizarralde, and A. Oyarbide-Zubillaga, “Competitive Improvement through Integrated Management of Sales and Operations,” Sustainability (Switzerland), vol. 14, no. 5, Mar. 2022, doi: 10.3390/su14052722.

C. Zhang et al., “PromotionLens: Inspecting Promotion Strategies of Online E-commerce via Visual Analytics,” Aug. 2022, [Online]. Available: http://arxiv.org/abs/2208.01404

A. Ullah, M. I. Mohmand, H. Hussain, S. Johar, and I. Khan, “Customer Analysis Using Machine Learning-Based,” Journal Sensors, 2023.

M. S. E. Kasem, M. Hamada, and I. Taj-Eddin, “Customer profiling, segmentation, and sales prediction using AI in direct marketing,” Neural Comput Appl, vol. 36, no. 9, pp. 4995–5005, Mar. 2024, doi: 10.1007/s00521-023-09339-6.

G. Pan, M. Liu, L. M. Tseng, and Z. Geng, “Cultural intelligence and sales performance in online insurance marketing: evidence from a Chinese insurance firm,” Humanit Soc Sci Commun, vol. 10, no. 1, Dec. 2023, doi: 10.1057/s41599-023-01623-z.

P. Singh, L. Arora, and A. Choudhry, “Consumer Behavior in the Service Industry: An Integrative Literature Review and Research Agenda,” Sustainability (Switzerland), vol. 15, no. 1, Jan. 2023, doi: 10.3390/su15010250.

K. Tabianan, S. Velu, and V. Ravi, “K-Means Clustering Approach for Intelligent Customer Segmentation Using Customer Purchase Behavior Data,” Sustainability (Switzerland), vol. 14, no. 12, Jun. 2022, doi: 10.3390/su14127243.

L. (Xuehui) Gao, E. de Haan, I. Melero-Polo, and F. J. Sese, “Winning your customers’ minds and hearts: Disentangling the effects of lock-in and affective customer experience on retention,” J Acad Mark Sci, vol. 51, no. 2, pp. 334–371, 2023, doi: 10.1007/s11747-022-00898-z.

G. Mena, K. Coussement, K. W. De Bock, A. De Caigny, and S. Lessmann, “Exploiting time-varying RFM measures for customer churn prediction with deep neural networks,” Ann Oper Res, vol. 339, no. 1–2, pp. 765–787, 2024, doi: 10.1007/s10479-023-05259-9.

H. Mo and T. Huang, “Cross-border E-commerce Business Data Processing in the Background of Digital Economy,” Applied Mathematics and Nonlinear Sciences, vol. 9, no. 1, Jan. 2024, doi: 10.2478/amns-2024-0535.

Y. Cao, P. Leung, and A. Monod, “k-means clustering for persistent homology,” Adv Data Anal Classif, Mar. 2024, doi: 10.1007/s11634-023-00578-y.

J. Li, J. Hendricks, M. Righi, and C. G. Beer, “An aerosol classification scheme for global simulations using the K-means machine learning method,” Geosci Model Dev, vol. 15, no. 2, pp. 509–533, 2022, doi: 10.5194/gmd-15-509-2022.

A. Punhani, N. Faujdar, K. K. Mishra, and M. Subramanian, “Binning-Based Silhouette Approach to Find the Optimal Cluster Using K-Means,” IEEE Access, vol. 10, pp. 115025–115032, 2022, doi: 10.1109/ACCESS.2022.3215568.

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?: Jurnal Teknologi Informasi dan Multimedia, vol. 5, no. 4, pp. 354–364, 2024, doi: 10.35746/jtim.v5i4.434.

M. F. Fadhillah, A. Lovely, A. Suyoso, and I. Puspitasari, “Customer Segmentation with Clustering Algorithm Based on Recency , Frequency , and Monetary ( RFM ) Attributes Segmentasi Pelanggan dengan Algoritma Clustering Berdasarkan Atribut Recency , Frequency dan Monetary ( RFM ),” vol. 5, no. January, pp. 48–56, 2025.