Segmentasi Pelanggan E-Commerce Menggunakan Pendekatan RFM (Recency, Frequency, Monetary) dan Algoritma K-Means Clustering
Keywords:
Analisis RFM, K-Means Clustering, E-Commerce, Manajemen Hubungan PelangganAbstract
Persaingan yang semakin ketat di industri e-commerce mengharuskan bisnis untuk mendapatkan pemahaman yang lebih dalam tentang perilaku pelanggan sehingga strategi pemasaran dapat ditargetkan dengan lebih tepat. Pendekatan yang banyak digunakan untuk memahami nilai dan perilaku pelanggan adalah analisis RFM (Recency, Frequency, Monetary), dikombinasikan dengan algoritma pembelajaran mesin tanpa pengawasan, K-Means Clustering. Studi ini bertujuan untuk melakukan segmentasi pelanggan e-commerce berdasarkan tiga variabel utama: Recency, Frequency, dan Monetary. Tahapan penelitian meliputi standardisasi data menggunakan StandardScaler, penentuan jumlah cluster optimal menggunakan Metode Elbow dan Silhouette Score, clustering menggunakan algoritma K-Means, dan interpretasi karakteristik setiap cluster. Hasil menunjukkan bahwa 8.635 pelanggan terbagi menjadi empat cluster dengan karakteristik yang berbeda: champion, pelanggan setia, pelanggan sesekali, dan pelanggan berisiko/hilang. Hasil segmentasi ini dapat menjadi dasar untuk mengembangkan strategi pemasaran yang lebih personal dan efisien untuk setiap kelompok pelanggan.
References
(1) Barus, O. P., Nathasya, C., & Pangaribuan, J. J. (2023). The implementation of RFM analysis to customer profiling using K-Means clustering. Mathematical Modelling of Engineering Problems, 10(1), 298–303. https://doi.org/10.18280/mmep.100135
(2) 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
(3) Gustriansyah, R., Suhandi, N., & Antony, F. (2020). Clustering optimization in RFM analysis based on K-Means. Indonesian Journal of Electrical Engineering and Computer Science, 18(1), 470–477. https://doi.org/10.11591/ijeecs.v18.i1.pp470-477
(4) Hughes, A. M. (1994). Strategic database marketing: The masterplan for starting and managing a profitable, customer-based marketing program. Probus Publishing.
(5) John, J. M., Shobayo, O., & Ogunleye, B. (2023). An exploration of clustering algorithms for customer segmentation in the UK retail market. Analytics, 2(4), 809–823. https://doi.org/10.3390/analytics2040042
(6) Pedregosa, F., Varoquaux, G., Gramfort, A., Michel, V., Thirion, B., Grisel, O., Blondel, M., Prettenhofer, P., Weiss, R., Dubourg, V., Vanderplas, J., Passos, A., Cournapeau, D., Brucher, M., Perrot, M., & Duchesnay, E. (2011). Scikit-learn: Machine learning in Python. Journal of Machine Learning Research, 12, 2825–2830.
(7) Robo, S., Melani, P. I., Fernatyanan, P., Widiantoro, M. R., & Bariyyah, S. K. (2024). The application of customers segmentation using RFM analysis method and K-Means clustering to improve marketing strategy. IJISTECH (International Journal of Information System and Technology), 8(3), 200–211. https://doi.org/10.30645/ijistech.v8i3.370
(8) Samidi, Suladi, R. Y., & Kusumaningsih, D. (2023). Comparison of the RFM model's actual value and score value for clustering. Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi), 7(6), 1430–1438. https://doi.org/10.29207/resti.v7i6.5416
(9) Shutaywi, M., & Kachouie, N. N. (2021). Silhouette analysis for performance evaluation in machine learning with applications to clustering. Entropy, 23(6), 759. https://doi.org/10.3390/e23060759
Downloads
Published
Issue
Section
License
Copyright (c) 2026 Bagus Riyadi Fitra, Genta Aprilian, Reza Rifaldy Pratama (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 