Implementasi Sistem Business Intelligence Berbasis RFM Extended Untuk Segmentasi Toko Ritel Batik
DOI:
https://doi.org/10.55826/jtmit.v5i2.1582Keywords:
RFMLC, segmentasi pelanggan, k-means clusteringAbstract
Persaingan bisnis ritel batik yang semakin ketat menuntut pelaku usaha untuk memahami karakteristik pelanggan secara lebih mendalam agar strategi pemasaran dapat dilakukan secara tepat sasaran. Penelitian ini bertujuan untuk menganalisis perilaku pelanggan dan segmentasi pasar menggunakan RFMLC (Recency,Frequency,Monetary,Lifetime,Channel) pada data transaksi pelanggan toko ritel batik yang mencakup waktu transaksi terakhir, frekuensi pembelian, nilai transaksi, lama hubungan pelanggan dengan toko, serta saluran pembelian yang digunakan. Variabel R,F,M dan L dihitung berdasarkan historis pembelian, sedangkan variabel C meprensentasikan saluran pembelian utama pelanggan. Analisis K-Means Clustering diterapkan secara visual untuk menampilkan scatter plot pelanggan berdasarkan skor RFMLC, sehingga memudahkan identifikasi pola distribusi dan konsentrasi pelanggan dengan karakteristik serupa. Hasilnya menunjukkan pola pembelian yang jelas, dan variabel channel tetap dapat memberikan informasi tambahan mengenai saluran pembelian dominan tiap pelanggan. Analisis ini membantu toko ritel batik dalam memahami perilaku pelanggan dan merancang strategi pemasaran yang lebih tepat sasaran, sehingga pemilik usaha dapat merancang strategi pemasaran, promosi, dan pelayanan yang lebih efektif sesuai dengan karakteristik masing masing segmen pelanggan agar mampu meningkatkan loyalitas pelanggan dan kinerja penjualan secara berkelanjutan.
References
[1] A. Zamil and T. Vasista, “Customer Segmentation Using RFM Analysis: Realizing Through Python Implementation-Web of Science Core Collection,” Pacific Bus. Rev. Int., vol. 13, no. 11, pp. 24–36, 2021, [Online]. Available: https://www-webofscience-com.ezproxy.ulima.edu.pe/wos/woscc/full- record/WOS:000696384300003
[2] A. Jihan, W. Prihartono, and K. Cirebon, “Konsumen K-Means Berdasarkan Model RFM,” vol. 13, no. 2, 2025.
[3] X. Meng, “Accounting for Marketing Expenditures : Analyzing the ROI of Advertising and Promotion,” vol. 13, 2024, doi: 10.37421/2168-9601.2024.13.502.
[4] A. Burhan, H. Kiat, Y. Azhar, and V. Rahmayanti, “Penerapan Metode K-Means Dengan Metode Elbow Untuk Segmentasi Pelanggan Menggunakan Model RFM ( Recency , Frequency & Monetary ),” vol. 2, no. 7, pp. 945–952, 2020.
[5] G. Ramkumar, J. Bhuvaneswari, S. Venugopal, S. Kumar, C. K. Ramasamy, and R. Karthick, “Enhancing customer segmentation: RFM analysis and K-Means clustering implementation,” Hybrid Adv. Technol., pp. 70–76, 2025, doi: 10.1201/9781003559139-9.
[6] A. Hermawan, N. R. Jayanti, A. Saputra, and C. Tambunan, “Optimalisasi Strategi Pemasaran Melalui Analisis RFM pada Dataset Transaksi Ritel Menggunakan Python,” no. 4, 2024.
[7] O. N. Akande, H. B. Akande, E. O. Asani, and B. T. Dautare, “Customer Segmentation through RFM Analysis and K-means Clustering: Leveraging Data-Driven Insights for Effective Marketing Strategy,” Int. Conf. Sci. Eng. Bus. Driv. Sustain. Dev. Goals, SEB4SDG 2024, vol. 3, no. 1, 2024, doi: 10.1109/SEB4SDG60871.2024.10630052.
[8] I. Maskanah, A. Primajaya, and A. Rizal, “Segmentasi Pelanggan Toko Purnama dengan Algoritma K- Means dan Model RFM untuk Perancangan Strategi Pemasaran,” 2020.
[9] E. Febrianty, L. Awalina, and W. I. Rahayu, “Optimalisasi Strategi Pemasaran dengan Segmentasi Pelanggan Menggunakan Penerapan K-Means Clustering pada Transaksi Online Retail Optimizing Marketing Strategies with Customer Segmentation Using K-Means Clustering on Online Retail Transactions,” vol. 13, no. September, pp. 122–137, 2023, doi: 10.34010/jati.v13i2.
[10] E. Setiawan, B. Surarso, and D. M. K. Nugraheni, “Customer Segmentation Based on Recency, Frequency, Monetary Analysis Using K-Means Algorithms in Apple Ecosystem,” J. Penelit. Pendidik. IPA, vol. 11, no. 2, pp. 634–641, 2025, doi: 10.29303/jppipa.v11i2.10011.
[11] A. Khumaidi, H. Wahyono, R. Darmawan, H. D. Kartika, N. L. Chusna, and M. K. Fauzy, “RFM-AR Model for Customer Segmentation using K-Means Algorithm,” E3S Web Conf., vol. 465, 2023, doi: 10.1051/e3sconf/202346502005.
[12] R. Gustriansyah, N. Suhandi, and F. Antony, “Clustering optimization in RFM analysis based on k- means,” Indones. J. Electr. Eng. Comput. Sci., vol. 18, no. 1, pp. 470–477, 2019, doi: 10.11591/ijeecs.v18.i1.pp470-477.
[13] T. Ho, S. Nguyen, H. Nguyen, N. Nguyen, D. S. Man, and T. G. Le, “An Extended RFM Model for Customer Behaviour and Demographic Analysis in Retail Industry,” Bus. Syst. Res., vol. 14, no. 1, pp. 26–53, 2023, doi: 10.2478/bsrj-2023-0002.
[14] Y. Syahra, A. Fadlil, and H. Yuliansyah, “Customer Segmentation Using RFM and K-Means Clustering to Support CRM in Retail Industry,” Sinkron, vol. 9, no. 3, pp. 1120–1131, 2025, doi: 10.33395/sinkron.v9i3.14907.
Downloads
Published
Issue
Section
License
Copyright (c) 2026 Muhamad Kaswa, Muhammad Ridwan Andi Purnomo, Demas Emirbuwono Basuki
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
