Segmentasi Pelanggan E-Commerce Menggunakan Algoritma K-Means Clustering Berbasis Analisis RFM

Gaten Isnan Abdurrozaq (Teknik Informatika/Fakultas Ilmu Komputer, Universitas Duta Bangsa Surakarta)
Riky Ardiva Dwitama Putra (Teknik Informatika/Fakultas Ilmu Komputer, Universitas Duta Bangsa Surakarta)
Afriansyah Septyarno (Teknik Informatika/Fakultas Ilmu Komputer, Universitas Duta Bangsa Surakarta)
Wasis Yoga Wicaksono (Teknik Informatika/Fakultas Ilmu Komputer, Universitas Duta Bangsa Surakarta)

Prosiding Seminar Nasional Teknologi Informasi dan Bisnis
Prosiding Seminar Nasional Teknologi Informasi dan Bisnis (SENATIB) 2026

Sebagian besar perusahaan e-commerce masih memanfaatkan data transaksi sebatas laporan operasional tanpa segmentasi pelanggan yang memadai. Penelitian ini bertujuan menghasilkan model segmentasi pelanggan e-commerce yang objektif beserta interpretasi setiap segmen sebagai dasar strategi pemasaran. Metode yang digunakan mengombinasikan analisis Recency, Frequency, Monetary (RFM) dan algoritma K-Means Clustering pada dataset Online Retail (UCI Machine Learning Repository), melalui preprocessing, normalisasi StandardScaler, penentuan cluster optimal menggunakan Elbow Method, serta evaluasi dengan Silhouette Score, Davies-Bouldin Index (DBI), dan Calinski-Harabasz Index (CHI). Dari 541.909 data mentah diperoleh 397.884 transaksi valid milik 4.338 pelanggan. Hasil menunjukkan k = 5 sebagai cluster optimal (Silhouette Score 0,617; DBI 0,716; CHI 3.437,64), menghasilkan lima segmen yaitu Potential Customer (70,29%), Dormant Customer (24,48%), High-Value Active (4,91%), Loyal Customer (0,18%), dan Champions (0,14%). Integrasi RFM dan K-Means menghasilkan segmentasi pelanggan yang valid, objektif, mendukung penyusunan strategi pemasaran yang lebih tepat sasaran, serta mudah diterapkan.