Segmentasi Pelanggan Menggunakan Metode K-Means Clustering Berdasarkan Model RFM (Studi Kasus: PT. AJM Global Pratama)
Abstrak
Abstrak — Dalam era bisnis modern yang berkembang pesat, data telah menjadi elemen krusial bagi perusahaan untuk meningkatkan efisiensi dan mendukung pengambilan keputusan yang akurat. PT. AJM Global Pratama masih menghadapi tantangan dalam pengelolaan data transaksi pelanggan, karena sebagian besar proses masih dilakukan secara manual, sehingga menyulitkan perusahaan dalam menganalisis serta memahami pola pembelian pelanggan secara komprehensif. Penelitian ini bertujuan untuk menganalisis dan melakukan segmentasi pelanggan berdasarkan perilaku pembelian menggunakan metode K-Means Clustering dan model Recency, Frequency, dan Monetary (RFM). Data transaksi pelanggan diolah dengan mengacu pada metodologi CRISP-DM, yang meliputi tahapan pemahaman data, persiapan data, pemodelan, dan evaluasi. Hasil penelitian menunjukkan bahwa proses segmentasi berhasil mengidentifikasi tiga kelompok utama pelanggan, yaitu High Value Customers, Regular Customers, dan Low Value Customers, yang masing-masing memiliki karakteristik pola pembelian yang berbeda. Penerapan metode ini memungkinkan perusahaan memperoleh pemahaman yang lebih mendalam mengenai perilaku pelanggan serta mendukung pengelolaan hubungan pelanggan yang lebih efektif dan berbasis data di PT. AJM Global Pratama.
Kata kunci— K-Means Clustering, RFM, CRISP-DM, Segmentasi Pelanggan, Streamlit.
Referensi
REFERENSI
A. K. Virgiawan, E. D. Absharina, and Fenando, “Peran Big Data Dalam Meningkatkan Daya Saing Bisnis Di Era Digital,” J. Sist. Inf. dan Tek. Komput., vol. 10, no. 1, 2025.
R. E. Damanik and P. I. M. Nasution, “Evaluasi Penggunaan Teknologi Big Data Untuk Analisis Data Dan Pengambilan Keputusan,” J. Multidisiplin Saintek, vol. 3, no. 10, pp. 1–23, 2024.
Sujono and I. L. Sari, “Perancangan Sistem Informasi Akademik Pada SDIT Al-Qudwah Pangkalpinang Menggunakan Metode FAST,” J. IT CIDA, vol. 9, no. 1, 2023.
S. Santiastry, Asriyanik, and W. Apriandari, “Penerapan Algoritma Naive Bayes Dan Metode CRISP-DM Dalam Prediksi Hasil Tes Kemampuan Bahasa Inggris Mahasiswa,” JATI (Jurnal Mhs. Tek. Inform., vol. 8, no. 5, pp. 10432–10439, 2024.
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.
M. F. Fadhillah, A. Lovely, A. Suyoso, and I. Puspitasari, “Customer Segmentation with Clustering Algorithm Based on Recency, Frequency, and Monetary (RFM) Attributes,” MALCOM Indones. J. Mach. Learn. Comput. Sci., vol. 5, no. 1, pp. 48–56, 2025, doi: 10.57152/malcom.v5v1.1491.
F. N. Dhewayani, D. Amelia, D. N. Alifah, B. N. Sari, and M. Jajuli, “Implementasi K-Means Clustering untuk Pengelompokkan Daerah Rawan Bencana Kebakaran Menggunakan Model CRISP-DM,” J. Teknol. dan Inf., vol. 12, no. 1, pp. 64–77, 2022, doi: 10.34010/jati.v12i1.6674.
R. A. Indraputra and R. Fitriana, “K-Means Clustering Data COVID-19,” J. Tek. Ind., vol. 10, no. 3, pp. 275–282, 2020, doi: 10.25105/jti.v10i3.8428.
D. David, M. D. Lauro, and D. E. Herwindiati, “Sistem Prediksi Customer Loyalty Dengan Metode RFM dan Fuzzy C-Means,” Comput. J. Comput. Sci. Inf. Syst., vol. 4, no. 1, p. 33, 2020, doi: 10.24912/computatio.v4i1.7099.
J. Elektronika and D. A. N. Komputer, “Mengoptimalkan Proses Pembersihan Data dalam Analisis Big Data Menggunakan Pipeline Berbasis AI,” vol. 17, no. 2, pp. 657–666, 2024.
R. Y. Pramudita, B. D. Setiawan, and M. Data, “Kinerja Deteksi Tautan Website Phishing Menggunakan Isolation Forest,” vol. 9, no. 10, pp. 1–9, 2025.
S. Paembonan and H. Abduh, “Penerapan Metode Silhouette Coefficient untuk Evaluasi Clustering Obat,” PENA Tek. J. Ilm. Ilmu-Ilmu Tek., vol. 6, no. 2, p. 48, 2021, doi: 10.51557/pt_jiit.v6i2.659.
C. Sukmayadi, A. Primajaya, and I. Maulana, “Penerapan Algoritma K-Medoids dalam Menentukan Daerah Rawan Banjir di Kabupaten Karawang,” INFORMAL Informatics J., vol. 6, no. 3, p. 187, 2021, doi: 10.19184/isj.v6i3.25423.
