PENERAPAN CLUSTERING K-MEANS UNTUK SEGMENTASI PELANGGAN PADA BISNIS RETAIL
APPLICATION OF K-MEANS CLUSTERING FOR CUSTOMER SEGMENTATION IN RETAIL BUSINESSES
DOI:
https://doi.org/10.52972/hoaq.vol17no1.p38-52Keywords:
K-Means, segmentasi pelanggan, RFM, bisnis retail, clusteringAbstract
Perkembangan bisnis retail online yang semakin pesat menuntut perusahaan untuk memahami perilaku pelanggan secara lebih mendalam agar dapat merancang strategi pemasaran yang efektif. Penelitian ini bertujuan untuk melakukan segmentasi pelanggan berdasarkan pola transaksi dengan menggunakan metode K-Means Clustering. Data yang digunakan merupakan data sekunder dari Online Retail Dataset yang diperoleh melalui UCI Machine Learning Repository, yang berisi catatan transaksi 4.338 pelanggan dari sebuah toko online di Inggris. Tahapan penelitian meliputi data preprocessing, pembentukan variabel Recency, Frequency, Monetary (RFM), standarisasi data, dan penerapan algoritma K-Means dengan jumlah cluster (k) = 3. Hasil penelitian menunjukkan bahwa pelanggan terbagi ke dalam tiga kelompok utama: pelanggan loyal (0,3%), potensial (74,8%), dan pasif (24,9%). Validitas clustering dikonfirmasi melalui tiga metrik evaluasi dengan Silhouette Score 0,602, Davies-Bouldin Index 0,756, dan Calinski-Harabasz Score 3.124,58. Cluster loyal berkontribusi 18,4% dari total revenue meskipun hanya 0,3% populasi. Penerapan metode K-Means terbukti efektif dalam mengidentifikasi pola perilaku pelanggan yang dapat dimanfaatkan untuk menentukan strategi retensi dan promosi yang lebih tepat sasaran.
The rapid growth of online retail businesses requires companies to deeply understand customer behavior in order to design effective marketing strategies. This study aims to perform customer segmentation based on transactional patterns using the K-Means Clustering method. The dataset used is secondary data obtained from the Online Retail Dataset available in the UCI Machine Learning Repository, containing transaction records of 4,338 customers from a UK-based online store. The research stages include data preprocessing, construction of Recency, Frequency, Monetary (RFM) variables, data standardization, and implementation of the K-Means algorithm with the number of clusters (k) set to three. The results show that customers are grouped into three main segments: loyal customers (0.3%), potential customers (74.8%), and passive customers (24.9%). Clustering validity is confirmed through three evaluation metrics with Silhouette Score of 0.602, Davies-Bouldin Index of 0.756, and Calinski-Harabasz Score of 3,124.58. The loyal cluster contributes 18.4% of total revenue despite representing only 0.3% of the population. The application of the K-Means method proves effective in identifying customer behavior patterns that support management in developing more targeted retention and promotional strategies.
References
A. Yusak, N. Rumapea, D. Pratiwi, and S. Sari, “Analisis Segmentasi Pelanggan Ritel Online Menggunakan K-Means Clustering Berdasarkan Model Recency, Frequency, Monetary (RFM),” Jurnal Sains dan Teknologil., vol. 6, no. 3, pp. 292–299, 2024, doi: 10.33446/jitek.v6i3.1673.
S. I. Murpratiwi, “Analisis Pemilihan Cluster Optimal Dalam Segmentasi Pelanggan Toko Retail,” Jurnal Pendidikan Teknologi dan Kejuruan., vol. 18, no. 2, pp. 152–163, 2021, doi: 10.35870/jistikom.v18i2.477.
A. Chaerudin, D. T. Murdiansyah, and M. Imrona, “Implementation of K-Means++ Algorithm for Store Customers Segmentation Using Neo4J,” Indonesia Journal on Computing., vol. 6, no. 1, pp. 53–60, 2021, doi: 10.34818/indojc.2021.6.1.547.
V. No, A. M. Artiarno, P. Setiaji, and F. Nugraha, “Edumatic?: Jurnal Pendidikan Informatika K-Means Clustering untuk Segmentasi Pelanggan?: Mengungkap Pola Pembelian Strategi Pemasaran pada Sektor Ritel,” Jurnal Pendidikan Informatika., vol. 9, no. 2, pp. 442–451, 2025, doi: 10.29408/edumatic.v9i2.30336.
S. E. Saqila, I. P. Ferina, and A. Iskandar, “Analisis Perbandingan Kinerja Clustering Data Mining Untuk Normalisasi Dataset,” Jurnal sistem komputer dan informatika., vol. 5, pp. 356–365, 2023, doi: 10.30865/json.v5i2.6919.
N. Zhu, “Research on Customer Relationship Segmentation of Apparel Retail Industry through Data Mining,” HighTech and Innovation Journal, vol. 4, no. 2, pp. 309–314, 2023, doi: 10.28991/HIJ-2023-04-02-05.
E. F. L. Awalina and W. I. Rahayu, “Optimalisasi Strategi Pemasaran dengan Segmentasi Pelanggan Menggunakan Penerapan K-Means Clustering pada Transaksi Online Retail,” Jurnal Teknologi dan Informasi., vol. 13, no. 2, pp. 122–137, 2023, doi: 10.34010/jati.v13i2.10090.
B. T. Kristanti, A. Junaidi, and E. P. Mandyartha, “Implementasi K-Means Clustering Dalam Segmentasi Pelanggan Berdasarkan Usia, Pendapatan, Dan Model Rfm (Studi Kasus: Lantikya Store Jombang),” Jurnal Informatika dan Teknik Elektro Terapan., vol. 12, no. 3, 2024, doi: 10.23960/jitet.v12i3.4677.
R. Rahmadhan and M. Wasesa, “Segmentation using Customers Lifetime Value: Hybrid K-means Clustering and Analytic Hierarchy Process,” Journal of Information Systems Engineering and Business Intelligence., vol. 8, no. 2, pp. 130–141, 2022, doi: 10.20473/jisebi.8.2.130-141.
I. Yunita, P. R. Ali, M. A. Kartawidjaja, and R. Sukwadi, “Segmentasi Pelanggan Menggunakan K-Means Cluster ing?: Menganalisis Metrik RFM untuk Strategi Pemasaran Customer Segmentation Using K-Means Clustering?: Analyzing RFM Metrics for Enhanced Marketing Strategies,” Jurnal Media Teknik & Sistem Industri., vol. 9, no. 1, pp. 58–66, 2025, doi: 10.35194/jmtsi.v9i1.4452.
Y. Putri, D. Aldo, and W. Ilham, “Retail Marketing Strategy Optimization: Customer Segmentation with Artificial Intelligence Integration and K-Means Clustering,” Jurnal dan Penelitian Teknik Informatika, vol. 8, no. 4, pp. 2155–2163, 2024, doi: 10.33395/sinkron.v8i4.14000.
F. A. Maresti, W. I. Rahayu, M. B. B. C. Lustin, T. H. Pakpahan, and K. Bandung, “Implementasi K-Means Untuk Melakukan Segmentasi Produk Berdasarkan Data Transaksi Retail,” Jurnal Ilmiah Sains dan Teknologi., vol. 9, no. 1, pp. 20–32, 2025, doi: https://doi.org/10.47080/saintek.v7i1.2506.
G. Aslanta?, M. Gençgül, M. Rumelli, and M. Özsaraç, “Customer Segmentation Using K-Means Clustering Algorithm and RFM Model K- Means Kümeleme Algoritmas? ve RFM Modeli Kullanarak Mü?teri Segmentasyonu,” Journal of Science and Enguneering, vol. 25, no. 74, pp. 491–503, 2023, doi: 10.21205/deufmd.2023257418.
B. I. Nugroho, A. Rafhina, P. S. Ananda, and G. Gunawan, “Customer segmentation in sales transaction data using k-means clustering algorithm,” Journal of Intelligent Decision Support System., vol. 7, no. 2, pp. 130–136, 2024, doi: 10.35335/idss.v7i2.236.
Baiq Nikum Yulisasih, H. Herman, and S. Sunardi, “K-Means Clustering Method For Customer Segmentation Based On Potential Purchases,” Jurnal Teknik. Elektro, Teknologi Informasi dan Komputer., vol. 8, no. 1, pp. 83–90, 2024, doi: 10.31961/eltikom.v8i1.1137.
R. Sudrajat et al., “Evaluasi Kualitas Klaster Wilayah Rawan Bencana Menggunakan K- Means dengan Silhouette dan Elbow Method,” Journal Algoritm., pp. 127–138, 2025, doi: 10.33364/algoritma/v.22-2.2379.
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2026 HOAQ (High Education of Organization Archive Quality) : Jurnal Teknologi Informasi
This work is licensed under a Creative Commons Attribution 4.0 International License.
Jurnal HOAQ (High Education of Organization Archive Quality) : Jurnal Teknologi Informasi diterbitkan berdasarkan lisensi Creative Commons Attribution 4.0 International License (CC BY 4.0). Lisensi ini memungkinkan setiap orang untuk Berbagi: menyalin dan mendistribusikan kembali materi ini dalam format atau bentuk apapun; Adaptasi: merombak, mengubah, dan membuat turunan dari materi ini untuk keperluan apa pun, termasuk keperluan komersial, asalkan mereka memberikan pengakuan kepada Penulis Asli atas hasil karya aslinya.
