Perancangan Segmentasi Pasar Sepatu Lokal Pillary Footwear Menggunakan K-Means Clustering
Abstrak
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.
Referensi
[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.
