Penerapan Teknik Clustering Menggunakan Algoritma K-Means Berbasis RFM untuk Segmentasi Pelanggan pada Dataset Online Retail II
Keywords:
Clustering, K-Means, RFM, Segmentasi Pelanggan, Online Retail IIAbstract
Pertumbuhan data transaksi pada sektor retail menghasilkan informasi yang dapat dimanfaatkan untuk memahami perilaku pelanggan secara lebih mendalam. Penelitian ini bertujuan melakukan segmentasi pelanggan menggunakan teknik clustering dengan algoritma K-Means berbasis Recency, Frequency, dan Monetary (RFM) pada dataset Online Retail II. Tahapan penelitian meliputi pembersihan data, penanganan nilai hilang, penghapusan duplikasi, penanganan outlier menggunakan metode Interquartile Range (IQR), serta pembentukan fitur RFM. Data yang telah diproses kemudian dinormalisasi dan dikelompokkan menggunakan algoritma K-Means. Penentuan jumlah cluster dilakukan menggunakan Elbow Method, sedangkan kualitas hasil clustering dievaluasi menggunakan Silhouette Score. Hasil penelitian menunjukkan bahwa jumlah cluster optimal adalah tiga kelompok pelanggan dengan nilai Silhouette Score sebesar 0,4596 yang menunjukkan kualitas pemisahan cluster yang cukup baik. Segmentasi yang dihasilkan terdiri atas VIP Customer, Regular Customer, dan At Risk Customer. Kelompok VIP memiliki frekuensi transaksi dan nilai pembelian yang tinggi, sedangkan kelompok At Risk menunjukkan aktivitas transaksi yang rendah dan berpotensi berhenti berbelanja. Hasil penelitian ini dapat dimanfaatkan sebagai dasar penyusunan strategi pemasaran yang lebih tepat sasaran, peningkatan loyalitas pelanggan, serta pengambilan keputusan bisnis berbasis data pada perusahaan retail.
References
Alzami, F., Nurdin, N., & Kurniawan, A. (2023). Implementation of RFM Method and K-Means Algorithm for Customer Segmentation in E-Commerce. ILKOM Jurnal Ilmiah, 15(1), 32–44.
Anitha, P., & Patil, M. M. (2020). RFM Model for Customer Purchase Behavior Using K-Means Algorithm. Journal of King Saud University - Computer and Information Sciences, 32(8), 863–870. https://doi.org/10.1016/j.jksuci.2019.12.011
Awaliyah, D. A. (2024). Optimizing Customer Segmentation in Online Retail Using K-Means Clustering. Scientific Journal of Informatics, 11(1), 45–56.
Han, J., Kamber, M., & Pei, J. (2022). Data Mining: Concepts and Techniques (4th ed.). Morgan Kaufmann.
Nikmah, T. L. (2023). Customer Segmentation Based on Loyalty Level Using K-Means and LRFM Feature Selection in Retail Online Store. Jurnal ELTIKOM, 7(1), 21–28. https://doi.org/10.31961/eltikom.v7i1.648
Nugraha, A., Prasetyo, E., & Putra, R. (2025). K-Means Clustering Interpretation Using Recency, Frequency, and Monetary Analysis. TELKOMNIKA (Telecommunication Computing Electronics and Control), 23(1), 155–164.
Syahra, Y. (2025). Customer Segmentation Using RFM and K-Means Clustering. Sinkron: Jurnal dan Penelitian Teknik Informatika, 10(1), 1–12.
Tan, P. N., Steinbach, M., & Kumar, V. (2019). Introduction to Data Mining (2nd ed.). Pearson Education.
Winaryanti, H. S., Suryanto, A., & Rahmawati, D. (2025). Customer Segmentation Using K-Means Clustering with RFM Method. Journal of Applied Intelligent System, 9(1), 1–12.
Zahro, G. W. N. W., Prasetyo, A., & Firmansyah, R. (2025). Integration of RFM Method and K-Means Clustering for Customer Segmentation Effectiveness. Dinda: Data Science and Information Technology Journal, 5(1), 12–21.
Downloads
Published
Data Availability Statement
Dataset yang digunakan dalam penelitian ini adalah Online Retail II yang tersedia secara terbuka untuk keperluan akademik dan penelitian. Data telah melalui proses pembersihan, transformasi, dan analisis sesuai metodologi yang digunakan dalam penelitian ini.
Issue
Section
License
Copyright (c) 2026 Andika Febrian Nurhidayat, Muhammad Jehan Leon Kusuma, Ridho Septiawan (Author)
This work is licensed under a Creative Commons Attribution 4.0 International License.
Creative Commons Attribution 4.0 International (CC BY 4.0).
This work is licensed under a 