Segmentasi Pelanggan Ryra Furniture Menggunakan RFM dan K-Means Clustering untuk Strategi Pemasaran Berdasarkan Loyalitas Pelanggan

Vivi Krisnawati (Universitas Muhammadiyah Sidoarjo)
Alshaf Pebrianggara (Universitas Muhammadiyah Sidoarjo)
Andry Rachmadany (Universitas Muhammadiyah Sidoarjo)

Jutisi: Jurnal Ilmiah Teknik Informatika dan Sistem Informasi
Vol. 15 No. 4 (2026): Agustus 2026

The increasing competition in the furniture industry requires companies to understand customer behavior in order to develop appropriate marketing strategies. Ryra Furniture has transaction data from physical stores, marketplaces, and social media, but the data has not been optimally utilized for customer segmentation. This study aims to classify customers based on their transaction characteristics as a basis for developing more effective marketing strategies. This research uses a quantitative approach with the Recency, Frequency, and Monetary (RFM) method, Z-Score normalization, and the K-Means Clustering algorithm. Transaction data from January to December 2025 were processed based on RFM values, normalized, and grouped into three clusters. The clustering results were evaluated using the Silhouette Score to assess the quality of the clusters. The results identified 28 potential customers, 24 loyal customers, and 1 non-loyal customer. The Silhouette Score of 0.640 indicates good clustering quality. The segmentation can serve as a basis for developing marketing strategies tailored to the characteristics of each customer group and improving the effectiveness of the company's marketing programs. Keywords: Customer Segmentation; RFM; K-Means Clustering; Customer Loyalty. Abstrak Persaingan industri furnitur menuntut perusahaan memahami perilaku pelanggan untuk menyusun strategi pemasaran yang tepat. Ryra Furniture memiliki data transaksi dari toko fisik, marketplace, dan media sosial, tetapi belum dimanfaatkan secara optimal untuk melakukan segmentasi pelanggan. Penelitian ini bertujuan mengelompokkan pelanggan berdasarkan karakteristik transaksi sebagai dasar penyusunan strategi pemasaran yang lebih efektif. Penelitian menggunakan pendekatan kuantitatif dengan metode Recency, Frequency, dan Monetary (RFM), normalisasi Z-Score, serta algoritma K-Means Clustering. Data transaksi periode Januari–Desember 2025 diolah berdasarkan nilai RFM, kemudian dinormalisasi dan dikelompokkan menjadi tiga cluster. Hasil clustering dievaluasi menggunakan Silhouette Score untuk mengetahui kualitas pembentukan cluster. Hasil penelitian menunjukkan terdapat 28 pelanggan potensial, 24 pelanggan loyal, dan 1 pelanggan tidak loyal. Nilai Silhouette Score sebesar 0,640 menunjukkan bahwa hasil pengelompokan memiliki kualitas yang baik. Segmentasi tersebut dapat menjadi dasar dalam menentukan strategi pemasaran yang sesuai dengan karakteristik setiap kelompok pelanggan dan meningkatkan efektivitas program pemasaran perusahaan.