Segmentasi Pelanggan Buah Segar dengan RFM dan Improved K-Means Berbasis Optimasi Centroid:  Segmentation of Fresh Fruit Customers Using RFM and Improved  K-Means Based on Centroid Optimization

Agnes Rahayu; Hera Karmila; Gandung Triyono

doi:10.57152/malcom.v6i4.2694

Authors

Agnes Rahayu Universitas Budi Luhur
Hera Karmila Universitas Budi Luhur
Gandung Triyono Universitas Budi Luhur

DOI:

https://doi.org/10.57152/malcom.v6i4.2694

Keywords:

Improved K-Means, K-Means Clustering, RFM, Segmentasi Pelanggan

Abstract

Perkembangan teknologi informasi mendorong perusahaan untuk memanfaatkan data guna meningkatkan efektivitas strategi bisnis, termasuk dalam segmentasi pelanggan. Namun, pada kenyataannya, masih banyak perusahaan yang belum mengoptimalkan data transaksi secara maksimal. Pada perusahaan penjualan buah segar di Tangerang, terdapat sekitar 3.000 pelanggan terdaftar, namun hanya 748 diantaranya yang bertransaksi sepanjang tahun 2024. Fenomena ini mencerminkan urgensi strategi pemasaran untuk meningkatkan keterlibatan pelanggan dalam melakukan transaksi. Penelitian ini bertujuan menganalisis segmentasi pelanggan dengan pendekatan Recency, Frequency, and Monetary (RFM) serta algoritma K-Means standar dan Improved K-Means dengan optimasi inisialisasi centroid berbasis minimum variance dan global average distance untuk meningkatkan kualitas segmentasi pelanggan. Hasil pengujian metode elbow menunjukkan K=3 terbentuk sebagai cluster optimal. Hasil perbandingan menunjukkan bahwa Improved K-Means unggul dalam efisiensi waktu komputasi (0,0095 detik) dan kompaksi klaster yang lebih efektif dengan penurunan Sum of Squared Errors (SSE) sebesar 57,86%, Hasil Silhouette Score K-Means standar 0.565 dan Improved K-Means 0.564 relatif seimbang. Segmentasi yang dihasilkan mengidentifikasi tiga kelompok pelanggan: loyal bernilai tinggi, beraktivitas rendah, dan berisiko churn. Kontribusi penelitian ini terletak pada penerapan Improved K-Means pada data transaksi pelanggan serta interpretasi hasil segmentasi yang menjadi rekomendasi strategi pemasaran berbasis data dan lebih tepat sasaran, sehingga mendukung pertumbuhan bisnis yang berkelanjutan.

Downloads

Download data is not yet available.

References

S. Supangat and Y. Mulyani, “Customer Loyalty Analysis Using Recency,Frequency, Monetary (RFM) and K-means Cluster for Labuan Bajo Souvenirs in Online Store,” J. Inf. Syst. Informatics, vol. 5, no. 1, pp. 285–299, 2023, doi: 10.51519/journalisi.v5i1.421.

A. H. Romadansyah Siagian, Pahala Sirait, “E-Commerce Customer Segmentation Using K-Means Algorithm and Length, Recency, Frequency, Monetary Model,” JITE (Journal Informatics Telecommun. Eng. Available, vol. 5, no. July, 2021.

P. T. Orang and T. Ot, “Analisa Manajemen Operasional , CRM , dan Pemasaran Digital pada,” vol. 4, no. 3, pp. 138–147, 2023.

G. Hasan and J. Tanvera, “PENERAPAN CUSTOMER ANALYTICS ( RFM , PCV , CLV ) DALAM STRATEGI CRM PADA UMKM DE ’ SATE,” vol. 7, no. 2, pp. 272–281, 2026.

M. Tingkat et al., “Penerapan Data Mining Menggunakan K-Means Clustering Dalam,” vol. 6, no. 3, 2025, doi: 10.47065/josh.v6i3.6959.

J. Wei, S. Lin, and H. Wu, “A review of the application of RFM model,” vol. 4, no. 19, pp. 4199–4206, 2010.

P. Anitha and M. M. Patil, “RFM model for customer purchase behavior using K-Means algorithm,” J. King Saud Univ. - Comput. Inf. Sci., vol. 34, no. 5, pp. 1785–1792, 2022, doi: 10.1016/j.jksuci.2019.12.011.

R. M. Fauzan and G. Alfian, “Segmentasi Pelanggan E-Commerce Menggunakan Fitur Recency , Frequency , Monetary ( RFM ) dan Algoritma Klasterisasi K-Means,” JISKA (Jurnal Inform. Sunan Kalijaga), vol. 9, no. 3, pp. 170–177, 2024.

N. T. Lapatta, R. Ardiansyah, and D. S. Angreni, “Donor Segmentation Analysis Using the RFM Model and K-Means Clustering to Optimize Fundraising Strategies,” J. Appl. Informatics Comput., vol. 8, no. 2, pp. 341–349, 2024.

A. J. Christy, A. Umamakeswari, L. Priyatharsini, and A. Neyaa, “RFM ranking – An effective approach to customer segmentation,” J. King Saud Univ. - Comput. Inf. Sci., vol. 33, no. 10, pp. 1251–1257, 2021, doi: 10.1016/j.jksuci.2018.09.004.

A. Febri, N. Ningsih, and J. Lemantara, “Aplikasi Analisis Segmentasi Pelanggan untuk Menentukan Strategi Pemasaran Menggunakan Kombinasi Metode K-Means dan Model RFM,” Sistemasi, vol. 10, no. 1, p. 152, 2021, doi: 10.32520/stmsi.v10i1.1123.

H. Zhao, “Design and Implementation of an Improved K-Means Clustering Algorithm,” Hindawi, vol. 2022, 2022, doi: 10.1155/2022/6041484.

N. Chandra, I. Fenriana, F. Sains, and U. B. Dharma, “Perancangan Aplikasi Segmentasi Pelanggan Menggunakan K-Means Dengan Model RFM,” AKSELERATOR, vol. 5, no. 1, pp. 46–59, 2014.

I. G. Bintang, A. Budaya, I. K. Dharmendra, and E. Triandini, “Application of Formal Concept Analysis and Clustering Algorithms to Analyze Customer Segments,” J. RESTI, vol. 5, no. 158, pp. 218–224, 2026.

G. John, O. George, and A. Thopil, Data clustering?: application and trends, vol. 56, no. 7. Springer Netherlands, 2023. doi: 10.1007/s10462-022-10325-y.

C. Wang, “Efficient customer segmentation in digital marketing using deep learning with swarm intelligence approach,” Inf. Process. Manag., vol. 59, no. 6, 2022, doi: 10.1016/j.ipm.2022.103085.

D. I. T. Retail, “Segmentasi pelanggan menggunakan k-means clustering di toko retail,” J. TEKINKOM, vol. 7, pp. 736–747, 2024, doi: 10.37600/tekinkom.v7i2.1226.

A. W. Viryandra Virtusena, Asahar Johar, “MAHASISWA FAKULTAS TEKNIK UNIB MENGGUNAKAN ALGORITME K- MEANS,” J. Rekursif, vol. 9, no. 2, 2021.

S. F. Djun, I. G. A. Gunadi, and S. Sariyasa, “Analisis Segmentasi Pelanggan pada Bisnis dengan Menggunakan Metode K-Means Clustering pada Model Data RFM,” JTIM J. Teknol. Inf. dan Multimed., vol. 5, no. 4, pp. 354–364, 2024, doi: 10.35746/jtim.v5i4.434.

K. P. Sinaga and M. S. Yang, “Unsupervised K-means clustering algorithm,” IEEE Access, vol. 8, pp. 80716–80727, 2020, doi: 10.1109/ACCESS.2020.2988796.

M. R. Karim et al., “Deep learning-based clustering approaches for bioinformatics,” Brief. Bioinform., vol. 22, no. 1, pp. 393–415, 2021, doi: 10.1093/bib/bbz170.

D. Ayu, I. Cahya, D. Ayu, and K. Pramita, “Analisis Perbandingan Metode Elbow dan Sillhouette pada Algoritma Clustering K-Medoids dalam Pengelompokan Produksi Kerajinan Bali,” J. MATRIX, vol. 9, no. 3, pp. 102–109, 2019.