Implementasi Algoritma K-Means untuk Analisis Segmentasi Pelanggan dengan Menggunakan Model RFM dan CRISP-DM

Yuninda Intan (Universitas Negeri Surabaya)
I Kadek Dwi Nuryana (Universitas Negeri Surabaya)

Journal of Informatics and Computer Science (JINACS)
Article In Press(1)

Abstrak— Segmentasi pelanggan merupakan salah satu strategi yang dapat digunakan perusahaan untuk memahami karakteristik pelanggan sehingga penyusunan strategi pemasaran menjadi lebih efektif dan tepat sasaran. Penelitian ini bertujuan untuk menerapkan model Recency, Frequency, Monetary (RFM) dan algoritma K-Means dalam melakukan segmentasi pelanggan menggunakan pendekatan Cross Industry Standard Process for Data Mining (CRISP-DM) pada Online Retail Refined Dataset. Tahapan penelitian meliputi Business Understanding, Data Understanding, Data Preparation, Modeling, dan Evaluation. Data yang digunakan dibatasi pada atribut CustomerID (ID Pelanggan), InvoiceDate (Tanggal Transaksi), InvoiceNo (Nomor Transaksi), dan TotalPrice (Harga Total) untuk membentuk nilai RFM. Penentuan jumlah cluster dilakukan menggunakan Elbow Method, sedangkan kualitas hasil clustering dievaluasi menggunakan Silhouette Score. Hasil penelitian menunjukkan bahwa jumlah cluster terbaik adalah tiga cluster dengan nilai Silhouette Score sebesar 0,4172 dan Davies-Bouldin Index  sebesar  0,8169, yang menunjukkan kualitas cluster cukup baik. Ketiga cluster yang dihasilkan terdiri atas Pelanggan Loyal, Pelanggan Potensial, dan Pelanggan Tidak Aktif, yang masing-masing memiliki karakteristik berbeda berdasarkan nilai Recency, Frequency, dan Monetary. Hasil segmentasi ini menunjukkan bahwa kombinasi model RFM dan algoritma K-Means mampu mengelompokkan pelanggan sesuai karakteristik perilaku pembelian sehingga dapat menjadi dasar dalam mendukung pengambilan keputusan pemasaran yang lebih tepat sasaran.   Kata Kunci— Data Mining, Segmentasi Pelanggan, CRISP-DM, RFM, K-Means.