ANALISIS SEGMENTASI PELANGGAN MENGGUNAKAN RECENCY FREQUENCY AND MONETARY (RFM) BERBASIS PYTHON
Article Sidebar
Main Article Content
Abstract
Dalam dunia bisnis, memahami perilaku pelanggan merupakan hal yang krusial untuk mempertahankan loyalitas dan meningkatkan strategi pemasaran. Salah satu metode yang dapat digunakan untuk menganalisis perilaku pelanggan adalah metode RFM (Recency, Frequency, and Monetary), yang mengelompokkan pelanggan berdasarkan seberapa baru transaksi terakhir dilakukan, seberapa sering mereka melakukan transaksi, dan seberapa besar nilai transaksinya. Penelitian ini bertujuan untuk membangun sistem segmentasi pelanggan menggunakan metode RFM berbasis Python guna membantu perusahaan dalam mengidentifikasi nilai dan karakteristik pelanggan secara lebih efektif. Metode yang digunakan dalam penelitian ini meliputi pengumpulan data transaksi pelanggan, perhitungan nilai RFM, pemberian skor pada masing-masing aspek, serta pengelompokan pelanggan ke dalam beberapa segmen berdasarkan kombinasi skor tersebut. Sistem dibangun dengan menggunakan bahasa pemrograman Python serta didukung oleh library seperti Pandas dan NumPy untuk pengolahan data. Hasil penelitian menunjukkan bahwa sistem mampu mengelompokkan pelanggan ke dalam berbagai segmen seperti Loyal Customer, At Risk Customer, dan Potential Loyalist secara otomatis dan akurat. Pengujian dengan metode Black Box dan White Box membuktikan bahwa sistem berjalan sesuai fungsinya dan dapat digunakan sebagai alat bantu analisis pelanggan dalam pengambilan keputusan strategis oleh perusahaan.
Downloads
Article Details
This work is licensed under a Creative Commons Attribution 4.0 International License.
Authors who publish with this journal agree to the following terms:
- Authors retain copyright and grant the journal right of first publication with the work simultaneously licensed under a Creative Commons Attribution License that allows others to share the work with an acknowledgement of the work’s authorship and initial publication in this journal.
- Authors are able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal’s published version of the work (e.g., post it to an institutional repository or publish it in a book), with an acknowledgement of its initial publication in this journal.
- Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published work (See The Effect of Open Access).
References
[2] M. Herawan, “Implementasi aplikasi e-commerce untuk Flamboyant Bakery menggunakan Python Flask,” Jurnal Teknologi dan Sistem Informasi, vol. 5, no. 1, pp. 12–23, 2024. [Online]. Tersedia: jurnal.mdp.ac.id
[3] A. Hermawan, N. R. Jayanti, A. Saputra, C. Tambunan, D. M. Baihaqi, M. A. Syahreza, dan Z. Bachtiar, “Optimalisasi strategi pemasaran melalui analisis RFM pada dataset transaksi ritel menggunakan Python,” PRIN Journal, vol. 2, no. 4, pp. 254–267. [Online]. Tersedia: prin.or.id
[4] M. Ilman dan F. Sulianta, “Segmentasi pelanggan perbankan menggunakan metode clustering K-Means,” 2023. [Online]. Tersedia: researchgate.net
[5] J. Zaenal, Z. T. Chulkamd, dan M. Mawaddah, “Segmentasi konsumen menggunakan algoritma K-Means clustering dan analisis RFM guna mengetahui karakteristik konsumen,” Wahana Pendidikan, vol. 11, pp. 255–263, 2025. [Online]. Tersedia: jurnal.peneliti.net
[6] A. Madani, Analisis RFM (Recency, Frequency, Monetary) dan K-Means clustering untuk segmentasi pelanggan (studi kasus data transaksi Minimarket ABC tahun 2023), 2025.
[7] F. A. Maresti, G. M. Anugraheni, R. A. Hargiyanto, dan K. Mustaqim, “Penerapan exploratory data analysis (EDA) dan analisis recency, frequency, and monetary (RFM) untuk segmentasi pelanggan,” 2024. [Online]. Tersedia: ejurnal.ulbi.ac.id
[8] R. Said, “Sistem pengaduan pada Universitas Al Asyariah Mandar berbasis helpdesk,” 2022. [Online]. Tersedia: journal.lppm-unasman.ac.id
[9] A. Saputra, R. Y., et al., “Algoritma DBSCAN dan K-Means dalam segmentasi pelanggan pengguna transportasi publik Transjakarta menggunakan metode RFM,” International Journal of Machine Learning and Data Science, 2024. [Online]. Tersedia: journal.irpi.or.id
[10] Y. Tritularsih, “Penerapan machine learning untuk pencarian pelanggan loyal berpotensi menggunakan Python Pandas dan Seaborn,” Indonesian Journal of Informatics, 2025. [Online].