Segmentasi pelanggan merupakan salah satu pendekatan untuk memahami karakteristik pelanggan dan mendukung penyusunan strategi pemasaran yang lebih terarah. Penelitian ini bertujuan mengelompokkan pelanggan PT XYZ berdasarkan analisis Recency, Frequency, Monetary (RFM) dan perilaku pembelian menggunakan algoritma K-Means. Data yang digunakan merupakan data transaksi penjualan periode Maret–Juni 2026. Penelitian membandingkan model berbasis RFM dengan model yang menggabungkan RFM dan variabel perilaku pembelian. Penentuan jumlah klaster dilakukan dengan mempertimbangkan nilai Silhouette Coefficient, Davies-Bouldin Index, dan Calinski-Harabasz Index. Hasil evaluasi menunjukkan bahwa model RFM dengan dua klaster menghasilkan kualitas pengelompokan terbaik, dengan nilai Silhouette Coefficient sebesar 0,4513, Davies-Bouldin Index sebesar 0,8814, dan Calinski-Harabasz Index sebesar 1363,874. Segmentasi menghasilkan Cluster 0 sebanyak 821 pelanggan dan Cluster 1 sebanyak 482 pelanggan. Cluster 0 memiliki aktivitas transaksi dan keragaman pembelian yang relatif rendah, sedangkan Cluster 1 menunjukkan frekuensi dan nilai transaksi serta keragaman pembelian yang lebih tinggi. Hasil penelitian ini dapat digunakan sebagai dasar penyusunan strategi pemasaran yang berbeda untuk setiap kelompok, seperti promosi pembelian ulang bagi Cluster 0 dan program loyalitas bagi Cluster 1.
References
[1] Oktavian, V. D., Ramadhan, R., & Fadhilla, D. R. (2025). Segmentasi pelanggan berbasis RFM dengan algoritma K-Means pada data transaksi online retail. Jurnal Riset Informatika dan Teknologi Informasi, 2(3), 236-243. https://doi.org/10.58776/jriti.v2i3.156
[2] Awaliyah, D. A., Prasetiyo, B., Muzayanah, R., & Lestari, A. D. (2024). Optimizing customer segmentation in online retail transactions through the implementation of the K-means clustering algorithm. Scientific Journal of Informatics, 11(2), 539-548. https://doi.org/10.15294/sji.v11i2.6137.
[3] 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. https://doi.org/10.1016/j.jksuci.2018.09.004.
[4] 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), 1785-1792. https://doi.org/10.1016/j.jksuci.2019.12.011.
[5] Naufal, R., & Alamsyah (2026). Customer segmentation using RFM analysis and the K-Means clustering algorithm to support data-driven marketing strategies. Information Technology Education Journal, 78-95. https://doi.org/10.59562/intec.v5i3.12821
[6] Mado, P. M. K., & Hendry, H. (2025). Implementasi algoritma clustering K-Means untuk segmentasi pelanggan di e-commerce. Jurnal Indonesia: Manajemen Informatika dan Komunikasi, 6(3), 1680-1686. https://doi.org/10.63447/jimik.v6i3.1563
[7] Zai, N., Kenap, A. A., & Hasibuan, A. (2026). Perbandingan Clustering Berbasis RFM dan Implementasi K-Means untuk Segementasi Pelanggan Bisnis Laundry. SemanTIK: Teknik Informasi, 12(1), 22-32. https://doi.org/10.55679/semantik.v12i1.275
[8] Utami, I. T., Suryaningrum, F., & Ispriyanti, D. (2023). K-means cluster count optimization with silhouette index validation and davies bouldin index (CASE study: Coverage of pregnant women, childbirth, and postpartum health services in indonesia in 2020). BAREKENG J. Ilmu Mat. dan Terap, 17(2), 0707-0716. https://doi.org/10.30598/barekengvol17iss2pp0707-0716
[9] Anfossi, A., & Chicco, D. (2026). An easy guide to the Davies-Bouldin index for unsupervised internal clustering evaluation. Discover Computing, 29(1), 212. https://doi.org/10.1007/s10791-026-10094-0
[10] Freyhult, E., Landfors, M., Önskog, J., Hvidsten, T. R., & Rydén, P. (2010). Challenges in microarray class discovery: a comprehensive examination of normalization, gene selection and clustering. BMC bioinformatics, 11(1), 503. https://doi.org/10.1186/1471-2105-11-503.