Penerapan Algoritma K-Means Clustering untuk Segmentasi Pelanggan Berdasarkan Model RFM pada Dataset Online Retail II

Abstract

Kemajuan teknologi informasi telah mendorong perusahaan untuk memakai data transaksi konsumen sebagai sumber wawasan penting untuk mendukung keputusan bisnis. Salah satu cara yang bisa dilakukan adalah dengan membagi pelanggan ke dalam kelompok-kelompok agar bisa memahami ciri-ciri dan kebiasaan konsumen berdasarkan kegiatan transaksi mereka. Tujuan dari kajian ini adalah mengaplikasikan metode K-Means Clustering berdasarkan model RFM (Recency, Frequency, Monetary) untuk mengelompokkan konsumen pada kumpulan data Online Retail II. Pendekatan yang dipakai dalam kajian ini adalah kuantitatif melalui langkah-langkah data mining yang meliputi pemahaman bisnis, pemahaman data, penyiapan data, pemodelan, evaluasi, dan implementasi. Dalam tahap penyiapan data, dilakukan pembersihan data, penyingkiran nilai yang hilang, penghapusan transaksi yang tidak sah, serta pembentukan fitur RFM. Selanjutnya, metode K-Means diterapkan untuk menggolongkan konsumen berdasarkan ciri transaksi yang mereka miliki. Hasil dari kajian ini memperlihatkan bahwa jumlah kelompok terbaik yang ditemukan melalui Elbow Method adalah tiga kelompok, yaitu konsumen setia, konsumen umum, dan konsumen tidak aktif. Kelompok konsumen setia memiliki nilai Recency yang rendah, serta nilai Frequency dan Monetary yang sangat tinggi, sementara kelompok konsumen tidak aktif ditandai dengan nilai Recency yang tinggi dan nilai Frequency serta Monetary yang rendah. Lebih jauh, kajian ini juga menciptakan sebuah dashboard intelijen konsumen yang menyajikan pengelompokan konsumen, konsumen yang berpotensi berhenti, saran paket produk, dan perkiraan nilai transaksi. Temuan penelitian menunjukkan bahwa gabungan model RFM dan metode K-Means dapat menghasilkan pengelompokan konsumen yang jelas dan bisa menjadi dasar dalam menyusun strategi pemasaran yang lebih baik dan tertarget.