Segmentasi Pelanggan Ryra Furniture Menggunakan RFM dan K-Means Clustering untuk Strategi Pemasaran Berdasarkan Loyalitas Pelanggan
DOI:
https://doi.org/10.35889/jutisi.v15i4.3927Keywords:
Segmentasi Pelanggan, RFM, K-Means Clustering, Loyalitas PelangganAbstract
The increasing competition in the furniture industry requires companies to understand customer behavior in order to develop appropriate marketing strategies. Ryra Furniture has transaction data from physical stores, marketplaces, and social media, but the data has not been optimally utilized for customer segmentation. This study aims to classify customers based on their transaction characteristics as a basis for developing more effective marketing strategies. This research uses a quantitative approach with the Recency, Frequency, and Monetary (RFM) method, Z-Score normalization, and the K-Means Clustering algorithm. Transaction data from January to December 2025 were processed based on RFM values, normalized, and grouped into three clusters. The clustering results were evaluated using the Silhouette Score to assess the quality of the clusters. The results identified 28 potential customers, 24 loyal customers, and 1 non-loyal customer. The Silhouette Score of 0.640 indicates good clustering quality. The segmentation can serve as a basis for developing marketing strategies tailored to the characteristics of each customer group and improving the effectiveness of the company's marketing programs.
Keywords: Customer Segmentation; RFM; K-Means Clustering; Customer Loyalty.
Abstrak
Persaingan industri furnitur menuntut perusahaan memahami perilaku pelanggan untuk menyusun strategi pemasaran yang tepat. Ryra Furniture memiliki data transaksi dari toko fisik, marketplace, dan media sosial, tetapi belum dimanfaatkan secara optimal untuk melakukan segmentasi pelanggan. Penelitian ini bertujuan mengelompokkan pelanggan berdasarkan karakteristik transaksi sebagai dasar penyusunan strategi pemasaran yang lebih efektif. Penelitian menggunakan pendekatan kuantitatif dengan metode Recency, Frequency, dan Monetary (RFM), normalisasi Z-Score, serta algoritma K-Means Clustering. Data transaksi periode Januari–Desember 2025 diolah berdasarkan nilai RFM, kemudian dinormalisasi dan dikelompokkan menjadi tiga cluster. Hasil clustering dievaluasi menggunakan Silhouette Score untuk mengetahui kualitas pembentukan cluster. Hasil penelitian menunjukkan terdapat 28 pelanggan potensial, 24 pelanggan loyal, dan 1 pelanggan tidak loyal. Nilai Silhouette Score sebesar 0,640 menunjukkan bahwa hasil pengelompokan memiliki kualitas yang baik. Segmentasi tersebut dapat menjadi dasar dalam menentukan strategi pemasaran yang sesuai dengan karakteristik setiap kelompok pelanggan dan meningkatkan efektivitas program pemasaran perusahaan.
References
[1] I. YUNITA, P. R. Ali, M. A. Kartawidjaja, and R. Sukwadi, “Segmentasi Pelanggan Menggunakan K-Means Clustering: Menganalisis Metrik RFM untuk Strategi Pemasaran,” J. Media Tek. dan Sist. Ind., vol. 9, no. 1, p. 58, 2025, doi: 10.35194/jmtsi.v9i1.4452.
[2] I. L. Pratama et al., “Pemodelan RFM dan K-Means Clustering untuk Segmentasi Pelanggan,” J. Softw. Eng. Inf. Syst., vol. 5, no. 2, 2025.
[3] A. Sundari, I. S. Putra, and N. Sibuea, “Application of the RFM Model and K-Means Clustering for Customer Segmentation in E-Wallet Top-Up Services,” INFOMATEK J. Inform. Manaj. dan Teknol., vol. 28, no. April, pp. 203–210, 2026, doi: 10.23969/infomatek.v28i1.42246.
[4] A. Nurlathifa and D. Sucahyati, “Segmentasi Pelanggan menggunakan Metode K-means Clustering Berdasarkan Model RFM pada Bisnis Food and Beverage (Studi Kasus: Coffee shop X),” J. Nas. Teknol. dan Sist. Inf., vol. 11, no. 3, pp. 218–225, 2025, doi: 10.25077/teknosi.v11i3.2025.218-225.
[5] P. Indra Pangestu, T. Iman Hermanto, and D. Irmayanti, “Analisis Segmentasi Pelanggan Berbasis Recency Frequency Monetary (Rfm) Menggunakan Algoritma K-Means,” JATI (Jurnal Mhs. Tek. Inform., vol. 7, no. 3, pp. 1486–1492, 2023, doi: 10.36040/jati.v7i3.7171.
[6] D. S. Nugraha, I. Thoib, N. Sururi, F. Bayu F, and B. P. Candra, “Segmentasi Pelanggan Berbasis Analisis RFM Menggunakan Algoritma K-Means Clustering,” J. Komput. Teknol. Inf. Sist. Inf., vol. 4, no. 2, pp. 1361–1369, 2025, doi: 10.62712/juktisi.v4i2.641.
[7] M. H. Anshary, O. Soesanto, P. Studi Statistika Fakultas MIPA Universitas Lambung Mangkurat, K. Selatan, and D. Komunikasi dan Informatika Pemerintah Provinsi Kalimantan Selatan, “Segmentasi Pelanggan Menggunakan Metode K-Means Clustering Berdasarkan Model RFM (Recency, Frequency, Monetary,” RAGAM J. Stat. Its Appl., vol. 01, pp. 1–1, 2022, [Online]. Available: https://ppjp.ulm.ac.id/journals/index.php/ragam
[8] 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.
[9] I. Albar and B. Permatasari, “Kepuasan Pelanggan dan Kepercayaan Pelanggan Terhadap Loyalitas Pelanggan Dalam Berbelanja Melalui E-Commerce Di Lampung,” J. Adm. Bisnis (JAB, vol. 14, no. 2, pp. 115–129, 2024.
[10] A. M. Lae, D. Y. Salean, Y. K. I. D. D. Dhae, and M. Kurniawati, “Pengaruh Customer Experience Terhadap Loyalitas Pelanggan Pada Toko Mr. D.I.Y Di Kota Kupang,” GLORY J. Ekon. dan Ilmu Sos., vol. 6, no. 1, pp. 79–86, 2025, doi: 10.70581/glory.v6i1.16758.
[11] C. H. Ardana, A. A. A. A. A. Khoyum, and M. Faisal, “Segmentasi Pelanggan Penjualan Online Menggunakan Metode K-means Clustering,” JISKA (Jurnal Inform. Sunan Kalijaga), vol. 9, no. 1, pp. 1–9, 2024, doi: 10.14421/jiska.2024.9.1.1-9.
[12] F. Nazihah, A. Danniswara, and A. Wibowo, “Analisis Segmentasi Pelanggan dengan Algoritma K-Means pada Data Penjualan,” J. Algoritm., vol. 22, no. 2, 2025, doi: 10.33364/algoritma/v.22-2.2489.
[13] E. R. Sitorus and I. Nugraha, “Analisis segmentasi pelanggan dengan model RFM (Recency, Frequency, Monetary) dan K-Means Clustering (Studi kasus: PT XYZ),” J. Tek. Ind. Terintegrasi, vol. 8, no. 1, pp. 266–278, 2025, doi: 10.31004/jutin.v8i1.39447.
[14] G. W. Adi and A. D. Wowor, “Segmentasi Pelanggan pada Penjualan Perusahaan Air Minum XYZ dengan Analisis RFM dan K-Means Clustering,” IT-EXPLORE, vol. 05, pp. 75–85, 2026, doi: 10.24246/itexplore.v5i1.2026.pp75-85.
[15] Y. Yunita, M. Fahmi, and S. Salmon, “Penerapan Algoritma K-Means Data Mining Pada Clustering Kelayakan Penerima UKT Dengan Normalisasi Data Model Z-Score,” Build. Informatics, Technol. Sci., vol. 6, no. 3, pp. 1977–1986, 2024, doi: 10.47065/bits.v6i3.6475.
[16] I. Iqbal, N. Hidayat, D. P. Gevano, and A. P. R. Ilahi, “Segmentasi Pelanggan Menggunakan K-Means Clustering Berdasarkan Data Kepribadian dan Pola Konsumsi,” J. Tek. Inform., vol. 6, no. 5, pp. 3914–3924, 2025, doi: 10.52436/1.jutif.2025.6.5.5140.
[17] F. D. Atmoko, “Penerapan K-Means Clustering untuk Segmentasi Pelanggan Fathoni Dwi Atmoko Perusahaan di berbagai industri telah beralih ke Customer Relationship Management ( CRM ) yang canggih , di mana segmentasi pelanggan adalah fondasi utamanya . Dengan Segmentasi Pe,” Uranus J. Ilm. Tek. Elektro, Sains dan Inform., vol. 3, no. doi: org/10.61132/uranus.v3i2.1214, pp. 164–173, 2025.
[18] E. Santoso and A. U. Hamdani, “Segmentasi Pelanggan Pada Pt. Tab Menggunakan Algoritma K-Means Clustering,” JIKI (Jurnal llmu Komput. lnformatika), vol. 4, no. 2, pp. 135–145, 2023, doi: 10.24127/jiki.v4i2.4911.
[19] Nurhaliza and Suendri, “Implementasi Normalisasi Data Menggunakan Metode Z-Score pada Proses Clustering Data Mining,” Dinda Data Sci. Inf. Technol. Data Anal. J., vol. 5, no. 2, pp. 258–267, 2025.
[20] R. Albérico and C. Joaquim A, “Relationship Marketing and Customer Retention - A Systematic Literature Review,” Stud. Bus. Econ., vol. 18, no. 3, pp. 44–66, 2023, doi: 10.2478/sbe-2023-0044.
[21] K. Hidayat and M. I. Idrus, “The effect of relationship marketing towards switching barrier, customer satisfaction, and customer trust on bank customers,” J. Innov. Entrep., vol. 12, no. 1, 2023, doi: 10.1186/s13731-023-00270-7.
[22] N. Holtrop and J. E. Wieringa, “Timing customer reactivation initiatives,” Int. J. Res. Mark., vol. 40, no. 3, pp. 570–589, 2023, doi: 10.1016/j.ijresmar.2023.05.001.
