Perancangan Segmentasi Pasar Sepatu Lokal Pillary Footwear Menggunakan K-Means Clustering
Abstract
Abstrak—Industri sepatu merupakan sektor terus
mengalami pertumbuhan pesat dan semakin menantang dalam
persaing. Untuk berdaya saing di pasar yang kompetitif,
perusahaan sepatu harus memiliki pemahaman yang mendalam
mengenai kebutuhan dan preferensi konsumen mereka.
Penelitian ini bertujuan untuk membagi-bagi konsumen Pillary
Footwear menjadi beberapa kelompok yang berbeda
berdasarkan karakteristik mereka. Metode yang digunakan
adalah K-Means Clustering, sebuah teknik yang sangat efektif
untuk mengelompokkan data yang banyak dan rumit.
Tujuannya adalah untuk menemukan kelompok konsumen
mana yang paling cocok menjadi target pasar Pillary Footwear.
Kelompok konsumen kedua ini didominasi oleh mahasiswi
berusia awal 20-an. Mereka umumnya memiliki anggaran
belanja sepatu sekitar Rp100.000 hingga Rp150.000 dan
biasanya memiliki 3 - 4 pasang sepatu. Saat membeli sepatu,
harga menjadi faktor utama yang mereka pertimbangkan.
Karena penghasilan mereka masih terbatas sebagai mahasiswa,
mereka cenderung lebih selektif dalam memilih sepatu.
Sebelum memutuskan membeli, mereka biasanya
membandingkan harga di berbagai toko, baik online maupun
offline. Selain itu, mereka sering menunggu diskon atau promo
untuk mendapatkan harga yang lebih murah. Setelah
menganalisis ketiga kelompok konsumen, kelompok kedua
(Cluster 2) dinilai sebagai target pasar yang paling menjanjikan
bagi Pillary Footwear.
Kata kunci: AIO (Activity, Interest, Opinion), K-Means
Clustering, Pillary Footwear, Segmentasi pasar.
References
[1] Akkaya, M. (2021). Understanding the impacts of lifestyle segmentation & perceived value on brand purchase intention: An empirical study in different product categories. European
[2] Research on Management and Business Economics, 27(3). https://doi.org/10.1016/j.iedeen.2021.100155
[3] Alamsyah, A., Prasetyo, P. E., Sunyoto, S., Bintari, S. H., Saputro, D. D., Rohman, S., & Pratama, R. N. (2022).
[4] Customer Segmentation Using the Integration of the Recency Frequency Monetary Model and the K-Means Cluster
[5] Algorithm. Scientific Journal of Informatics, 9(2). https://doi.org/10.15294/sji.v9i2.39437
[6] Dahana, W. D., Miwa, Y., & Morisada, M. (2019). Linking lifestyle to customer lifetime value: An exploratory study in an online fashion retail market. Journal of Business Research, 99. https://doi.org/10.1016/j.jbusres.2019.02.049
[7] Dirbawanto, N. D., & Adlina, H. (2022). Strategi Pemasaran Dalam Meningkatkan Tingkat Penjualan di Era New Normal. Jurnal Ecogen, 5(1).https://doi.org/10.24036/jmpe.v5i1.12844
[8] Hair, J., Black, W., Babin, B., & Anderson, R. (2010). Multivariate Data Analysis Seventh Ed. In Multivariate Data Analysis: A Global Perspective.
