Segmentasi Pelanggan Berdasarkan Recency, Frequency, dan Monetary dengan K-Means Clustering: Studi Kasus Toko Pakaian Almost Famous

Penelitian ini bertujuan untuk menganalisis loyalitas pelanggan dalam konteks bisnis distro pakaian dengan menggunakan model RFM (Recency, Frequency, Monetary) dan algoritma K-Means. Data yang dianalisis berasal dari basis data membership Distro Almost Famous Clothing Store yang mencakup tiga cabang di Beji, Jagakarsa, dan Kelapa Dua. Pengumpulan data melibatkan informasi penting mengenai pelanggan terdaftar, kunjungan terakhir pelanggan, dan jumlah pembelian selama menjadi anggota membership. Setelah melalui proses pra-pemrosesan data, dilakukan segmentasi pelanggan menggunakan model RFM untuk membagi pelanggan menjadi kelompok berdasarkan tingkat recency, frequency, dan monetary value. Selanjutnya, algoritma K-Means digunakan untuk memetakan kelompok pelanggan yang serupa dengan menggunakan metode Elbow Curved, Silhouette Coefficient, dan Davies-Bouldin Index untuk menentukan jumlah cluster yang optimal. Hasil penelitian menunjukkan adanya tiga kelompok pelanggan dengan tingkat loyalitas yang berbeda: Cluster 0 (loyalitas tinggi) dengan 3225 pelanggan, Cluster 1 (loyalitas sedang) dengan 3.119 pelanggan, dan Cluster 2 (loyalitas rendah) dengan 1258 pelanggan. Implikasi dari penelitian ini adalah memberikan panduan kepada perusahaan dalam merancang strategi yang sesuai dengan karakteristik masing-masing kelompok pelanggan untuk meningkatkan retensi pelanggan dan pertumbuhan bisnis secara keseluruhan. Bagi pelanggan dengan loyalitas rendah, disarankan perusahaan untuk menyelenggarakan potongan harga atau promosi khusus, meningkatkan kualitas produk atau layanan, serta menawarkan program loyalitas guna mendorong kembali kegiatan berbelanja. Bagi pelanggan dengan loyalitas sedang, perusahaan dapat meningkatkan daya tarik program loyalitas, memperluas portofolio produk atau layanan yang relevan, dan menjalankan strategi pemasaran yang dapat meningkatkan frekuensi pembelian. Bagi pelanggan dengan loyalitas tinggi, disarankan perusahaan memberikan penghargaan tambahan, meningkatkan pengalaman pelanggan melalui personalisasi, dan terus mengembangkan produk atau layanan baru.