Segmentasi Pelanggan Majalah pada Situs Web E-Commerce dengan K-Means++ dan Metode RFM

Tampubolon, Andrew Lomaksan Manuel; Butar Butar, Thio Marta Elisa Yuridis; Rochimah, Siti

doi:10.25126/jtiik.2024118208

Open access Jurnal SINTA 2

Segmentasi Pelanggan Majalah pada Situs Web E-Commerce dengan K-Means++ dan Metode RFM

Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK) · Vol. 11 No. 6 (2024) · pp. 1243–1252

DOI: 10.25126/jtiik.2024118208
ISSN: 2528-6579, 2355-7699
Published: 2024-12-10
Publisher: Fakultas Ilmu Komputer, Universitas Brawijaya
Language: id
License: creativecommons.org/licenses/by-sa/4.0

Abstract

Bahasa Indonesia

Segmentasi pelanggan merupakan salah satu metode yang dapat diterapkan untuk memaksimalkan peluang bisnis. Hal tersebut dapat membantu bisnis agar tetap kompetitif dalam persaingan pasar. Penerapan Artificial Intelligence (AI) dapat membantu dalam memberikan pemahaman kepada pelaku bisnis tentang segmentasi pelanggan berdasarkan riwayat transaksi. Penelitian ini menerapkan metode Recency, Frequency, and Monetary (RFM) yang dipadukan dengan algoritma clustering K-Means++ untuk melakukan segmentasi pelanggan. Silhouette score menjadi indikator pemilihan nilai k yang paling optimal dalam menentukan jumlah cluster. Kerangka kerja CRISP-DM yang digunakan dalam makalah ini juga membantu mempertahankan proses analisis yang konsisten. Pendekatan statistik sederhana ddigunakan untuk mengklasifikasikan setiap fitur dalam RFM menjadi label low, medium, dan high dalam hal menangkap pola segmentasi pelanggan. Hasil eksperimen menunjukkan nilai k = 3 sebagai yang paling optimal berdasarkan nilai WSS sebesar 843,214747 dan silhouette score sebesar 0,638181. Eksperimen juga menunjukkan bahwa cluster 0 memiliki nilai RFM rata-rata sebesar 1,14 (low), 1,20 (low), dan 301.640 (low). Cluster 1 memiliki nilai RFM rata-rata sebesar 249,61 (high), 2,62 (medium), dan 799,934 (medium). Cluster 2 memiliki nilai RFM rata-rata sebesar 233,01 (medium), 6,41 (high), dan 2018,088 (high). Abstract Customer segmentation is one method that can be applied to maximize business opportunities. It can help businesses remain competitive in the market competition. The application of Artificial Intelligence (AI) can assist in providing business stakeholders with an understanding of customer segmentation based on transaction history. This study applies the Recency, Frequency, and Monetary (RFM) method combined with the K-Means++ clustering algorithm for customer segmentation. The Silhouette score serves as an indicator for selecting the most optimal value of k to determine the number of clusters. The CRISP-DM framework used in this paper also helps maintain a consistent analysis process. A simple statistical approach is used to classify each RFM feature into low, medium, and high labels to capture customer segmentation patterns. Experimental results show that k = 3 is the most optimal value based on a WSS value of 843.214747 and a silhouette score of 0.638181. The experiments also indicate that Cluster 0 has average RFM values of 1.14 (low), 1.20 (low), and 301,640 (low). Cluster 1 has average RFM values of 249.61 (high), 2.62 (medium), and 799,934 (medium). Cluster 2 has average RFM values of 233.01 (medium), 6.41 (high), and 2018.088 (high).

English

Keywords

Collaboration network of the authors

30 authors · 43 co-authorship links · 4 across different organisations

Hover or tap a name to highlight its co-authors. Double-click to open the author's page.

Institut Teknologi Sepuluh Nopember
University of Brawijaya
Universitas Gadjah Mada
Affiliation unknown

Different organisations
Same organisation
Affiliation unknown
Thicker line = more joint articles · bigger circle = more articles

Show as table

Co-author	Organisation	Joint articles
Chastine Fatichah	Institut Teknologi Sepuluh Nopember	3
Achmad Arwan	University of Brawijaya	2
Suhadi Lili	Institut Teknologi Sepuluh Nopember	2
Dyah Sulistyowati Rahayu	Institut Teknologi Sepuluh Nopember	1
Bayu Priyambadha	University of Brawijaya	1
Aldy Sefan Rezanaldy	Affiliation unknown	1
Abdul Munif	Institut Teknologi Sepuluh Nopember	1
Vico Ade Candra	Affiliation unknown	1
Imam Kuswardayan	Institut Teknologi Sepuluh Nopember	1
Rahmi Ika Noviana	Affiliation unknown	1
Faizal Johan	Affiliation unknown	1
Widyanti Kartika	Affiliation unknown	1
Darlis Heru Murti	Institut Teknologi Sepuluh Nopember	1
Choiru Zain	Affiliation unknown	1
Kusbandono Ari Bowo	Affiliation unknown	1
Lutfi Rizal Gozali	Affiliation unknown	1
Ratih Nur Esti Anggraini	Institut Teknologi Sepuluh Nopember	1
Mohammad Ahmaluddin Zinni	Institut Teknologi Sepuluh Nopember	1
Fadli Husein Wattiheluw	Institut Teknologi Sepuluh Nopember	1
Lukman Hakim	Institut Teknologi Sepuluh Nopember	1
Ulima Inas Shabrina	Institut Teknologi Sepuluh Nopember	1
Muhammad Iskandar Java	Institut Teknologi Sepuluh Nopember	1
Divi Galih Prasetyo Putri	Universitas Gadjah Mada	1
Muhammad Shulhan Khairy	Institut Teknologi Sepuluh Nopember	1
Endang Wahyu Pamungkas	Institut Teknologi Sepuluh Nopember	1
Fernandes Sinaga	Institut Teknologi Sepuluh Nopember	1
Lukman Hakim	Institut Teknologi Sepuluh Nopember	1

Affiliations come from OpenAlex; journal OAI-PMH metadata carries none. Authors without an OpenAlex ID are matched by name, which can merge or split people.

Metadata source: OAI-PMH (metadata jurnal) https://jtiik.ub.ac.id/index.php/jtiik/en/oai, first harvested 27 Okt 2026, last seen 27 Okt 2026.

Original metadata (oai_dc)

<oai_dc:dc xmlns="http://www.openarchives.org/OAI/2.0/" xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:oai_dc="http://www.openarchives.org/OAI/2.0/oai_dc/" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" xsi:schemaLocation="http://www.openarchives.org/OAI/2.0/oai_dc/  http://www.openarchives.org/OAI/2.0/oai_dc.xsd">
	<dc:title xml:lang="id">Segmentasi Pelanggan Majalah pada Situs Web E-Commerce dengan K-Means++ dan Metode RFM</dc:title>
	<dc:title xml:lang="en">Segmentasi Pelanggan Majalah pada Situs Web E-Commerce dengan K-Means++ dan Metode RFM</dc:title>
	<dc:creator xml:lang="id">Tampubolon, Andrew Lomaksan Manuel</dc:creator>
	<dc:creator xml:lang="id">Butar Butar, Thio Marta Elisa Yuridis</dc:creator>
	<dc:creator xml:lang="id">Rochimah, Siti</dc:creator>
	<dc:subject xml:lang="id">Segmentasi Pelanggan</dc:subject>
	<dc:subject xml:lang="id">E-Commerce</dc:subject>
	<dc:subject xml:lang="id">K-Means++</dc:subject>
	<dc:subject xml:lang="id">RFM</dc:subject>
	<dc:subject xml:lang="id">CRISP-DM</dc:subject>
	<dc:description xml:lang="id">Segmentasi pelanggan merupakan salah satu metode yang dapat diterapkan untuk memaksimalkan peluang bisnis. Hal tersebut dapat membantu bisnis agar tetap kompetitif dalam persaingan pasar. Penerapan Artificial Intelligence (AI) dapat membantu dalam memberikan pemahaman kepada pelaku bisnis tentang segmentasi pelanggan berdasarkan riwayat transaksi. Penelitian ini menerapkan metode Recency, Frequency, and Monetary (RFM) yang dipadukan dengan algoritma clustering K-Means++ untuk melakukan segmentasi pelanggan. Silhouette score menjadi indikator pemilihan nilai k yang paling optimal dalam menentukan jumlah cluster. Kerangka kerja CRISP-DM yang digunakan dalam makalah ini juga membantu mempertahankan proses analisis yang konsisten. Pendekatan statistik sederhana ddigunakan untuk mengklasifikasikan setiap fitur dalam RFM menjadi label low, medium, dan high dalam hal menangkap pola segmentasi pelanggan. Hasil eksperimen menunjukkan nilai k = 3 sebagai yang paling optimal berdasarkan nilai WSS sebesar 843,214747 dan silhouette score sebesar 0,638181. Eksperimen juga menunjukkan bahwa cluster 0 memiliki nilai RFM rata-rata sebesar 1,14 (low), 1,20 (low), dan 301.640 (low). Cluster 1 memiliki nilai RFM rata-rata sebesar 249,61 (high), 2,62 (medium), dan 799,934 (medium). Cluster 2 memiliki nilai RFM rata-rata sebesar 233,01 (medium), 6,41 (high), dan 2018,088 (high).
 
Abstract
Customer segmentation is one method that can be applied to maximize business opportunities. It can help businesses remain competitive in the market competition. The application of Artificial Intelligence (AI) can assist in providing business stakeholders with an understanding of customer segmentation based on transaction history. This study applies the Recency, Frequency, and Monetary (RFM) method combined with the K-Means++ clustering algorithm for customer segmentation. The Silhouette score serves as an indicator for selecting the most optimal value of k to determine the number of clusters. The CRISP-DM framework used in this paper also helps maintain a consistent analysis process. A simple statistical approach is used to classify each RFM feature into low, medium, and high labels to capture customer segmentation patterns. Experimental results show that k = 3 is the most optimal value based on a WSS value of 843.214747 and a silhouette score of 0.638181. The experiments also indicate that Cluster 0 has average RFM values of 1.14 (low), 1.20 (low), and 301,640 (low). Cluster 1 has average RFM values of 249.61 (high), 2.62 (medium), and 799,934 (medium). Cluster 2 has average RFM values of 233.01 (medium), 6.41 (high), and 2018.088 (high).</dc:description>
	<dc:description xml:lang="en">Segmentasi pelanggan merupakan salah satu metode yang dapat diterapkan untuk memaksimalkan peluang bisnis. Hal tersebut dapat membantu bisnis agar tetap kompetitif dalam persaingan pasar. Penerapan Artificial Intelligence (AI) dapat membantu dalam memberikan pemahaman kepada pelaku bisnis tentang segmentasi pelanggan berdasarkan riwayat transaksi. Penelitian ini menerapkan metode Recency, Frequency, and Monetary (RFM) yang dipadukan dengan algoritma clustering K-Means++ untuk melakukan segmentasi pelanggan. Silhouette score menjadi indikator pemilihan nilai k yang paling optimal dalam menentukan jumlah cluster. Kerangka kerja CRISP-DM yang digunakan dalam makalah ini juga membantu mempertahankan proses analisis yang konsisten. Pendekatan statistik sederhana ddigunakan untuk mengklasifikasikan setiap fitur dalam RFM menjadi label low, medium, dan high dalam hal menangkap pola segmentasi pelanggan. Hasil eksperimen menunjukkan nilai k = 3 sebagai yang paling optimal berdasarkan nilai WSS sebesar 843,214747 dan silhouette score sebesar 0,638181. Eksperimen juga menunjukkan bahwa cluster 0 memiliki nilai RFM rata-rata sebesar 1,14 (low), 1,20 (low), dan 301.640 (low). Cluster 1 memiliki nilai RFM rata-rata sebesar 249,61 (high), 2,62 (medium), dan 799,934 (medium). Cluster 2 memiliki nilai RFM rata-rata sebesar 233,01 (medium), 6,41 (high), dan 2018,088 (high).
 
Abstract
Customer segmentation is one method that can be applied to maximize business opportunities. It can help businesses remain competitive in the market competition. The application of Artificial Intelligence (AI) can assist in providing business stakeholders with an understanding of customer segmentation based on transaction history. This study applies the Recency, Frequency, and Monetary (RFM) method combined with the K-Means++ clustering algorithm for customer segmentation. The Silhouette score serves as an indicator for selecting the most optimal value of k to determine the number of clusters. The CRISP-DM framework used in this paper also helps maintain a consistent analysis process. A simple statistical approach is used to classify each RFM feature into low, medium, and high labels to capture customer segmentation patterns. Experimental results show that k = 3 is the most optimal value based on a WSS value of 843.214747 and a silhouette score of 0.638181. The experiments also indicate that Cluster 0 has average RFM values of 1.14 (low), 1.20 (low), and 301,640 (low). Cluster 1 has average RFM values of 249.61 (high), 2.62 (medium), and 799,934 (medium). Cluster 2 has average RFM values of 233.01 (medium), 6.41 (high), and 2018.088 (high).</dc:description>
	<dc:publisher xml:lang="en">Fakultas Ilmu Komputer, Universitas Brawijaya</dc:publisher>
	<dc:date>2024-12-10</dc:date>
	<dc:type>info:eu-repo/semantics/article</dc:type>
	<dc:type>info:eu-repo/semantics/publishedVersion</dc:type>
	<dc:format>application/pdf</dc:format>
	<dc:identifier>https://jtiik.ub.ac.id/index.php/jtiik/article/view/8208</dc:identifier>
	<dc:identifier>10.25126/jtiik.2024118208</dc:identifier>
	<dc:source xml:lang="id">Jurnal Teknologi Informasi dan Ilmu Komputer; Vol 11 No 6: Desember 2024; 1243-1252</dc:source>
	<dc:source xml:lang="en">Jurnal Teknologi Informasi dan Ilmu Komputer; Vol. 11 No. 6: Desember 2024; 1243-1252</dc:source>
	<dc:source>2528-6579</dc:source>
	<dc:source>2355-7699</dc:source>
	<dc:source>10.25126/jtiik.116</dc:source>
	<dc:language>id</dc:language>
	<dc:relation>https://jtiik.ub.ac.id/index.php/jtiik/article/view/8208/1360</dc:relation>
	<dc:rights xml:lang="en">Copyright (c) 2024 Jurnal Teknologi Informasi dan Ilmu Komputer</dc:rights>
	<dc:rights xml:lang="en">https://creativecommons.org/licenses/by-sa/4.0</dc:rights>
</oai_dc:dc>