Penerapan Model Recency, Frequency, Monetary untuk Segmentasi Pola Perilaku Pelanggan Indibiz: Application of the Recency, Frequency, Monetary Model for Segmentation of Indibiz Customer Behavior Patterns

Aulia Pinkasari; Meiyin Monica Amilia Putri; Gibral Abdurahman; Ahmad Fadhil Rizqi; Ken Ditha Tania; Allsela Meiriza; Ahmad Rifai

doi:10.57152/malcom.v6i2.2611

Authors

Aulia Pinkasari Universitas Sriwijaya
Meiyin Monica Amilia Putri Universitas Sriwijaya
Gibral Abdurahman Universitas Sriwijaya
Ahmad Fadhil Rizqi Universitas Sriwijaya
Ken Ditha Tania Universitas Sriwijaya
Allsela Meiriza Universitas Sriwijaya
Ahmad Rifai Universitas Sriwijaya

DOI:

https://doi.org/10.57152/malcom.v6i2.2611

Keywords:

Data Mining, Indibiz, K-Means Clustering, Segmentasi Pelanggan, RFM

Abstract

PT Telkom Indonesia Witel Sumbagsel menghadapi kondisi Data Rich, Information Poor (DRIP), yaitu melimpahnya data transaksi yang belum dimanfaatkan secara optimal sebagai dasar pengambilan keputusan pada unit Payment Collection. Penelitian ini menerapkan metodologi Knowledge Discovery in Databases (KDD) menggunakan model RFM (Recency, Frequency, Monetary) dan algoritma K-Means Clustering untuk mengidentifikasi pola perilaku pembayaran pelanggan. Dataset terdiri dari 46.355 transaksi periode Januari–Desember 2025. Jumlah cluster optimal ditentukan menggunakan metode Elbow dan menghasilkan empat segmen pelanggan (k=4). Evaluasi menggunakan Silhouette Coefficient memperoleh nilai 0,3463 yang menunjukkan kualitas klaster yang dapat diterima. Hasil segmentasi mengelompokkan pelanggan ke dalam kategori loyal, potential, standard, dan churn-risk, sehingga mendukung penyusunan strategi penagihan yang lebih tepat sasaran dan berbasis data. Penelitian ini menunjukkan bahwa integrasi RFM dan K-Means efektif dalam mengubah data transaksi menjadi wawasan praktis bagi manajemen penagihan telekomunikasi.

Downloads

Download data is not yet available.

References

R. D. Nugraha, D. D. Adelia, dan D. Rivaldi, “Segmentasi Pelanggan Retail Berbasis Perilaku menggunakan Algoritma K-Means Clustering,” Digit. Transform. Technol., vol. 5, no. 2, hlm. 141–148, Okt 2025, doi: 10.47709/digitech.v5i2.6340.

N. H. Harani, C. Prianto, dan F. A. Nugraha, “Segmentasi Pelanggan Produk Digital Service Indihome Menggunakan Algoritma K-Means Berbasis Python,” J. Manaj. Inform. JAMIKA, vol. 10, no. 2, hlm. 133–146, Okt 2020, doi: 10.34010/jamika.v10i2.2683.

F. Arifianto, J. Hasudungan, A. Muzaky, dan H. T. Y. Achsan, “Segmentasi Pelanggan Berdasarkan Recency, Frequency, dan Monetary dengan K-Means Clustering: Studi Kasus Toko Pakaian Almost Famous,” J. Teknol. Inform. Dan Komput., vol. 10, no. 1, hlm. 122–135, Mar 2024, doi: 10.37012/jtik.v10i1.2096.

S. Sharyanto dan D. Lestari, “Penerapan Data mining Untuk Menentukan Segmentasi Pelanggan Dengan Menggunakan Algoritma K-Means dan Model RFM Pada E-Commerce,” JURIKOM J. Ris. Komput., vol. 9, no. 4, hlm. 866, Agu 2022, doi: 10.30865/jurikom.v9i4.4525.

Carudin, “Pemanfaatan Data Transaksi untuk Dasar membangun Strategi berdasarkan Karakteristik Pelanggan dengan Algoritma K-Means Clustering dan Model RFM,” J. Teknol. Terpadu, vol. 7, no. 1, hlm. 7–14, Jul 2021, doi: 10.54914/jtt.v7i1.318.

N. Zahro, N. A. Maori, dan G. W. Nyipto Wibowo, “Integration of RFM Method and K-Means Clustering for Customer Segmentation Effectiveness,” J. Dinda Data Sci. Inf. Technol. Data Anal., vol. 5, no. 1, hlm. 12–21, Feb 2025, doi: 10.20895/dinda.v5i1.1649.

I. Yunita, P. R. Ali, M. A. Kartawidjaja, dan R. Sukwadi, “Segmentasi Pelanggan Menggunakan K-Means Clustering: Menganalisis Metrik RFM untuk Strategi Pemasaran,” J. Media Tek. Dan Sist. Ind., vol. 9, no. 1, hlm. 58, Mar 2025, doi: 10.35194/jmtsi.v9i1.4452.

F. Putra, H. F. Tahiyat, R. M. Ihsan, R. Rahmaddeni, dan L. Efrizoni, “Penerapan Algoritma K-Nearest Neighbor Menggunakan Wrapper Sebagai Preprocessing untuk Penentuan Keterangan Berat Badan Manusia: Application of K-Nearest Neighbor Algorithm Using Wrapper as Preprocessing for Determination of Human Weight Information,” MALCOM Indones. J. Mach. Learn. Comput. Sci., vol. 4, no. 1, hlm. 273–281, Jan 2024, doi: 10.57152/malcom.v4i1.1085.

C. Fan, M. Chen, X. Wang, J. Wang, dan B. Huang, “A Review on Data Preprocessing Techniques Toward Efficient and Reliable Knowledge Discovery From Building Operational Data,” Front. Energy Res., vol. 9, hlm. 652801, Mar 2021, doi: 10.3389/fenrg.2021.652801.

V. Hermawati dan R. Sulaiman, “Penentuan Segmentasi Pelanggan E-Commerce Menggunakan Fuzzy C-Means Dan Model Fuzzy Rfm,” MATHunesa J. Ilm. Mat., vol. 9, no. 1, hlm. 76–88, Jan 2021, doi: 10.26740/mathunesa.v9n1.p76-88.

K. Chouaten, C. Rodriguez Rivero, F. Nack, dan M. Reckers, “Unlocking high-value football fans: unsupervised machine learning for customer segmentation and lifetime value,” Front. Sports Act. Living, vol. 6, hlm. 1362489, Agu 2024, doi: 10.3389/fspor.2024.1362489.

“Identifikasi Predikat Hasil Pengelompokan Data Kualitas Udara dengan Menggunakan Affinity Propagation dan Silhouette Coefficient,” InfoTekJar J. Nas. Inform. Dan Teknol. Jar..

A. Dursun dan M. Caber, “Using data mining techniques for profiling profitable hotel customers: An application of RFM analysis,” Tour. Manag. Perspect., vol. 18, hlm. 153–160, Apr 2016, doi: 10.1016/j.tmp.2016.03.001.

I. T. Utami, F. Suryaningrum, dan D. Ispriyanti, “K-Means Cluster Count Optimization With Silhouette Index Validation And Davies Bouldin Index (Case Study: Coverage Of Pregnant Women, Childbirth, And Postpartum Health Services In Indonesia In 2020),” BAREKENG J. Ilmu Mat. Dan Terap., vol. 17, no. 2, hlm. 0707–0716, Jun 2023, doi: 10.30598/barekengvol17iss2pp0707-0716.

D. Tivano, I. Ruslianto, dan D. Prawira, “Sistem Segmentasi Pelanggan Potensial Menggunakan Metode K-Means Dan Analisis RFM,” Coding J. Komput. Dan Apl., vol. 11, no. 3, hlm. 325, Des 2023, doi: 10.26418/coding.v11i03.53238.

Siti Nurhaliza dan Tessy Octavia Mukhti, “Clustering Regions in West Sumatera Based on the Special Protection Index for Children Using K-Means Clustering with Silhouette Coefficient,” UNP J. Stat. Data Sci., vol. 3, no. 1, hlm. 123–129, Feb 2025, doi: 10.24036/ujsds/vol3-iss1/356.

R. A. Farissa, R. Mayasari, dan Y. Umaidah, “Perbandingan Algoritma K-Means dan K-Medoids Untuk Pengelompokkan Data Obat dengan Silhouette Coefficient di Puskesmas Karangsambung,” J. Appl. Inform. Comput., vol. 5, no. 2, hlm. 109–116, Okt 2021, doi: 10.30871/jaic.v5i1.3237.

N. Ahsina, F. Fatimah, dan F. Rachmawati, “Analisis Segmentasi Pelanggan Bank Berdasarkan Pengambilan Kredit Dengan Menggunakan Metode K-Means Clustering,” J. Ilm. Teknol. Infomasi Terap., vol. 8, no. 3, Agu 2022, doi: 10.33197/jitter.vol8.iss3.2022.883.

M. Ramadhan Putra Pratama dkk., “Perbandingan Algoritma K-Means, K-Medoid, Dan Dbscan Untuk Clustering Kualitas Hidup Indonesia Dalam Perspektif Knowledge Management Dan Data Discovery,” JATI J. Mhs. Tek. Inform., vol. 9, no. 4, hlm. 5903–5910, Mei 2025, doi: 10.36040/jati.v9i4.13916.

N. Puspitasari, H. Haviluddin, dan F. U. J. Helmi Puadi, “Klasterisasi Wilayah Penghasil Tanaman Lada Menggunakan Algoritma K-Means,” Indones. J. Comput. Sci., vol. 11, no. 3, Des 2022, doi: 10.33022/ijcs.v11i3.3104.

A. Tasya, G. Kholijah, dan S. Sarmada, “The Use of Elbow K-Means And K-Medoids in the Grouping of Provinces in Indonesia Based on the Indicators of the Effectiveness of the Authentication Taspen Application With DBI and Silhoutte Coefficients,” ALACRITY J. Educ., hlm. 1129–1143, Okt 2025, doi: 10.52121/alacrity.v5i3.891.

S.-I. Wu dan C.-L. Lu, “The relationship between CRM, RM, and business performance: A study of the hotel industry in Taiwan,” Int. J. Hosp. Manag., vol. 31, no. 1, hlm. 276–285, Mar 2012, doi: 10.1016/j.ijhm.2011.06.012.

R. Thakur dan L. Workman, “Customer portfolio management (CPM) for improved customer relationship management (CRM): Are your customers platinum, gold, silver, or bronze?,” J. Bus. Res., vol. 69, no. 10, hlm. 4095–4102, Okt 2016, doi: 10.1016/j.jbusres.2016.03.042.

Y.-S. Chen, C.-H. Cheng, C.-J. Lai, C.-Y. Hsu, dan H.-J. Syu, “Identifying patients in target customer segments using a two-stage clustering-classification approach: A hospital-based assessment,” Comput. Biol. Med., vol. 42, no. 2, hlm. 213–221, Feb 2012, doi: 10.1016/j.compbiomed.2011.11.010.

A. M. Hughes, Strategic database marketing: masterplan for starting and managing a profitable, customer-based marketing program. Chicago, Ill, Cambridge: Probus Publishing, 1994.

G. W. A. Dwi dan A. D. Wowor, “Segmentasi pelanggan pada penjualan perusahaan air minum XYZ dengan analisis RFM dan K-Means Clustering,” IT-Explore J. Penerapan Teknol. Inf. Dan Komun., vol. 5, no. 1, hlm. 75–85, Feb 2026, doi: 10.24246/itexplore.v5i1.2026.pp75-85.