Segmentasi Pelanggan Alfagift Jambi Menggunakan K-Means Clustering Berdasarkan Model RFM
DOI:
https://doi.org/10.33795/jip.v12i4.9716Keywords:
segmentasi pelanggan, RFM, K-means, alfagift, data miningAbstract
Transformasi digital di sektor ritel mendorong kebutuhan analisis perilaku pelanggan berbasis data. Penelitian ini mengusulkan pendekatan segmentasi pelanggan aplikasi Alfagift di wilayah Jambi menggunakan kombinasi model Recency, Frequency, Monetary (RFM) dan algoritma K-Means Clustering. Permasalahan utama yang diangkat Adalah belum tersedianya analisis segmentasi yang terukur pada platform ritel digital skala besar yang mempertimbangkan konteks musiman. Data yang digunakan mencakup 1.529.558 transaksi selama tiga bulan sebelum dan sesudah Hari Raya Idul Fitri 2025. Tahapan penelitian diawali dengan pra-pemrosesan data yang cermat, dilanjutkan dengan deteksi serta penanganan outlier menggunakan Isolation Forest guna menjaga kestabilan sentroid. Setelah itu, dilakukan perhitungan skor RFM dan penentuan jumlah klaster optimal (K=3). Proses klasterisasi pelanggan menghasilkan tiga segmen yang memiliki karakteristik perilaku berbeda secara signifikan. Segmen pertama Adalah frequent low-spending customers (20,6%), segmen kedua high-value but infrequent buyers (22,5%), dan segmen dominan ketiga Adalah promotion-driven customers (57,0%). Evaluasi kualitas klaster menunjukkan Silhouette Score 0,2362 serta Calinski-Harabasz Index 1257,17, yang mengonfirmasi bahwa struktur klaster terbentuk dengan baik, stabil, dan dapat diinterpretasikan secara jelas. Kontribusi utama dari penelitian ini terletak pada penerapan integrasi model RFM dan K-Means pada dataset ritel digital skala besar di Indonesia yang mempertimbangkan konteks musiman Idul Fitri, sebuah area yang belum banyak dikaji secara komprehensif sebelumnya. Temuan ini memberikan dasar ilmiah yang kuat bagi manajemen ritel dalam merancang strategi pemasaran yang lebih tersegmentasi, personal, dan efisien.
Downloads
References
Arthanugraha, A., Azzuhri, M. B., Ramadhan, Y. W., & Heikal, J. (2024). Customer segmentation of Pabuaran Store on Shopee e-commerce using RFM model analysis (Case study of H&M brand sales products). BUDGETING: Journal of Business, Management and Accounting, 5(2), 829–834. https://doi.org/10.31539/budgeting.v5i2.9724
Fadillah, A., Mogi, I. K. A., & Darmawan, I. D. M. B. A. (2023). Analisis data Recency, Frequency, dan Monetary (RFM) guna melakukan pendekatan kepada konsumen Ralali.com. Jurnal Pengabdian Informatika, 2, 83–88.
Ho, T., Nguyen, S., Nguyen, H., Nguyen, N., Man, D. S., & Le, T. G. (2023). An extended RFM model for customer behaviour and demographic analysis in retail industry. Business Systems Research, 14(1), 26–53. https://doi.org/10.2478/bsrj-2023-0002
Kossakov, M., Mukasheva, A., Balbayev, G., Seidazimov, S., Mukammejanova, D., & Sydybayeva, M. (2024). Quantitative comparison of machine learning clustering methods for tuberculosis data analysis. Engineering Proceedings, 60(1). https://doi.org/10.3390/engproc2024060020
Miranda-Guerra, M., Cevallos, S., & Torres, K. D. (2024). Relationship marketing and customer loyalty: A quantitative analysis in the retail sector. IBIMA Business Review. https://doi.org/10.5171/2024.710234
Myagmarsuren, S. (2024). Exploring the use of silhouette score in K-means clustering for image segmentation. International Journal of Engineering Research & Technology (IJERT), 13(4). http://www.ijert.org
Nugraha, D. S., Thoib, I., Sururi, N., Bayu F, F., & Candra, B. P. (2025). Segmentasi pelanggan berbasis analisis RFM menggunakan algoritma K-Means clustering. Jurnal Komputer Teknologi Informasi Sistem Informasi (JUKTISI), 4(2), 1361–1369. https://doi.org/10.62712/juktisi.v4i2.641
Nurnadya, R. A., Bany, M. N., Laura, M., Cantika, G., Abidin, M. N., Samudra, T., Hidayat, R., Veronica, L., & Rihidima, C. (2024). Analisis penerapan ritel modern di era digital dalam meningkatkan kepuasan konsumen pada aplikasi Alfagift. Economic and Business Management International Journal, 6(3), 58–64.
Parmar, N. N., & Panchal, S. S. (2024). Enhancing customer segmentation in virtual shopping through RFM analysis. International Research Journal of Engineering and Technology (IRJET), 2164–2168. http://www.irjet.net
Refialy, L. P., Maitimu, H., & Pesulima, M. S. (2021). Perbaikan kinerja clustering K-Means pada data ekonomi nelayan dengan perhitungan Sum of Square Error (SSE) dan optimasi nilai K cluster. Techno.Com, 20(2), 321–329. https://doi.org/10.33633/tc.v20i2.4572
Regasa, E. (2023). Factors affecting loan repayment performance of smallholder farmers: A case of Sinqe Bank, Jima Arjo Woreda of East Wallaga Zone, Oromia Region. Research Journal of Finance and Accounting, 14(9), 21–29. https://doi.org/10.7176/rjfa/14-9-03
Sagala, N. T. M., & Gunawan, A. A. S. (2022). Discovering the optimal number of crime cluster using Elbow, Silhouette, Gap Statistics, and NbClust methods. ComTech: Computer, Mathematics and Engineering Applications, 13(1), 1–10. https://doi.org/10.21512/comtech.v13i1.7270
Syahra, Y., Fadlil, A., & Yuliansyah, H. (2025). Customer segmentation using RFM and K-Means clustering to support CRM in retail industry. Sinkron, 9(3), 1120–1131. https://doi.org/10.33395/sinkron.v9i3.14907
Vashisth, S., & Goyal, A. (2024). Dynamic anomaly detection using robust random cut forests in resource-constrained IoT environments. Informatica (Slovenia), 48(23), 107–120. https://doi.org/10.31449/inf.v48i23.6862
Yusak, A., Rumapea, N., Pratiwi, D., & Sari, S. (2024). Analisis segmentasi pelanggan ritel online menggunakan K-Means clustering berdasarkan model Recency, Frequency, Monetary (RFM). Jurnal Sains dan Teknologi, 6(3), 292–299.
