ANALISIS RFM DAN KLASIFIKASI PERMINTAAN TERHADAP SEGMENTASI PELANGGAN

Penelitian ini mengusulkan pendekatan berbasis Data Mining dengan mengintegrasikan analisis RFM dan klasifikasi permintaan berdasarkan pola Smooth, Erratic, Intermittent, Lumpy dalam proses segmentasi pelanggan. Segmentasi dilakukan menggunakan algoritma K-Means, dengan evaluasi penentuan jumlah klaster optimal melalui Elbow Method dan Silhouette Index. Pelanggan dikelompokkan ke dalam lima segmen baru yaitu Ideal, Interest, Improve, Inconsistent dan Inactive. Selanjutnya, nilai pelanggan atau Customer Lifetime Value/CLV dihitung menggunakan parameter variabel RFM-SE (Smooth Erratic), serta dilakukan pembobotan atau nilai prioritas menggunakan metode Analytical Hierarchy Process (AHP). Pengujian Consistency Index (CI) dan Consistency Ratio (CR) diterapkan untuk memastikan nilai konsistensi dan validitas dalam penentuan nilai dan peringkat pelanggan. Seluruh hasil dianalisis dan divisualisasikan dalam bentuk grafik dan dashboard interaktif guna mempermudah interpretasi data dan pengambilan keputusan strategi. Pendekatan ini memberikan gambaran komprehensif mengenai karakteristik pelanggan dan pola permintaan, sehingga dapat digunakan untuk mengoptimalkan retensi pelanggan,