Penerapan Algoritma K-Means Dan K-Medoids Pada Peubah Recency, Frequency, Monetary (Rfm) Untuk Segmentasi Pelanggan Di Swalayan XYZ

Abstract

Persaingan yang semakin meningkat dalam industri ritel telah mendorong perusahaan ritel untuk memahami lebih baik preferensi dan perilaku pelanggan mereka. Penentuan segmentasi pelanggan yang akurat sangat penting dalam merancang strategi pemasaran yang efektif untuk meningkatkan kepuasan pelanggan dan memperoleh keuntungan yang lebih besar. Penelitian ini mengevaluasi penggunaan metode pengelompokan K-Means dan K-Medoids pada peubah RFM (Recency, Frequency, Monetary) untuk menentukan segmentasi pelanggan di swalayan XYZ. Penelitian ini menggunakan data transaksi dari pelanggan selama periode waktu tertentu untuk mengekstrak nilai RFM dari setiap pelanggan. Metode K-Means dan K-Medoids kemudian diterapkan untuk mengelompokkan pelanggan ke dalam segmen berdasarkan nilai RFM mereka. Tujuan dari penelitian ini adalah untuk membandingkan efektivitas kedua metode pengelompokan dalam menentukan segmentasi pelanggan. Hasil penelitian ini diharapkan dapat membantu Swalayan XYZ dalam memahami preferensi pelanggan dan memberikan rekomendasi strategi pemasaran. Hasil penggerombolan terbaik ditentukan berdasarkan parameter optimal yang dievaluasi menggunakan Davies-Bouldin Index, indeks Silhouette, dan analisis eksploratif. Metode analisis gerombol terbaik yang diperoleh adalah metode K-Means yang menghasilkan 4 gerombol. Kata kunci: analisis RFM, k-means, k-medoids, manajemen hubungan pelanggan, segmentasi pelanggan

The increasing competition in the retail industry has driven retail companies to better understand their customers’ preferences and behaviors. Accurate customer segmentation is essential in designing effective marketing strategies to enhance customer satisfaction and generate greater profits. This study evaluates the use of K-Means and K-Medoids clustering methods on RFM (Recency, Frequency, Monetary) variables to determine customer segmentation at XYZ Supermarket. The research uses transaction data from customers over a specific period to extract the RFM values for each customer. The K-Means and K-Medoids methods are then applied to group customers into segments based on their RFM values. The purpose of this study is to compare the effectiveness of the two clustering methods in determining customer segmentation. The results of this research are expected to help XYZ Supermarket understand customer preferences and provide marketing strategy recommendations. The best clustering results were determined based on optimal parameters evaluated using the Davies-Bouldin Index, the Silhouette Index, and exploratory analysis. The best clustering method obtained was the K-Means method which produced four clusters.

Keywords: customer relationship management, customer segmentation, k-means, k-medoids, RFM analysis