Penerapan Analisis RFM dan K-Medoids untuk Klasterisasi Produk Skincare Jglow Store Bogor

Dea Aulia Mutiara

Abstract


Penelitian ini bertujuan untuk mengelompokkan produk skincare berdasarkan pola penjualan dengan menggunakan metode Recency, Frequency, Monetary (RFM) dan algoritma K-Medoids. Pendekatan RFM digunakan untuk menilai performa produk berdasarkan seberapa baru transaksi terjadi, seberapa sering produk terjual, dan nilai total penjualannya (Kumar, 2018). Data transaksi diambil dari JGlow Store Bogor, kemudian diolah untuk memperoleh nilai RFM setiap produk. Selanjutnya, data dinormalisasi dan diklaster menggunakan algoritma K-Medoids yang dipilih karena kemampuannya dalam menangani data yang mengandung outlier (Sammut, 2017). Hasil klasterisasi menghasilkan dua kelompok utama yaitu produk dengan penjualan tinggi (laris) dan produk dengan penjualan rendah (kurang laris). Evaluasi menggunakan Silhouette Score menghasilkan nilai 0.34 yang menunjukkan kualitas klaster yang cukup baik (Lee, 2025). Sistem ini kemudian divisualisasikan melalui aplikasi desktop yang menampilkan hasil klaster secara informatif. Hasil penelitian ini diharapkan dapat membantu manajemen JGlow Store dalam pengambilan keputusan terkait strategi promosi dan pengelolaan stok.

Keywords


RFM, K-Medoids, Klasterisasi, Penjualan Skincare, JGlow

References


Han, J., Pei, J., & Kamber, M. (2012). Data Mining: Concepts and Techniques (3rd ed.). Morgan Kaufmann.

Kumar, V. (2018). Customer Relationship Management: Concepts and Technologies. Springer.

Hermawan, A., Kahfi, R. A., Surya, E., Aini, U., & Hidayat, R. (2024). Penerapan Metode RFM dengan Python dalam Segmentasi Pelanggan. Jurnal Bisnis Inovatif dan Digital, 1(3), 92–102.

Joseph, S. R., Hlomani, H., & Letsholo, K. (2016). Data Mining Algorithms: An Overview. International Journal Computers and Technology, 15, 6806–6813.

Sammut, C. (2017). Encyclopedia of Machine Learning and Data Mining. Springer.

Lee, S. (2025). Mastering clustering evaluation with Silhouette Score. Number Analytics.

Zhang, Y., et al. (2022). Machine Learning and Data Mining with Python. Springer Publishing.

Madani, A., Rahmah, A., Nurunnisa, F., & Elia, A. (2022). Segmentasi Pelanggan pada BC HNI 2 Pekanbaru dengan Menerapkan Algoritma K-Medoids dan Model Recency, Frequency, Monetery (RFM). Sentimas, 179–186.

Schubert, E., & Rousseeuw, P. J. (2019). Faster k-Medoids Clustering: Improving the PAM, CLARA, and CLARANS Algorithms. Lecture Notes in Computer Science (Including Subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics).

Syukron, H., Fauzi Fayyad, M., Junita Fauzan, F., Ikhsani, Y., & Rizkya Gurning, U. (2022). Perbandingan K-Means K-Medoids dan Fuzzy C-Means untuk Pengelompokan Data Pelanggan dengan Model LRFM. MALCOM: Indonesian Journal of Machine Learning and Computer Science, 2(2), 76–83.




DOI: https://doi.org/10.30998/semnasristek.v10i1.8865

Refbacks

  • There are currently no refbacks.


Prosiding SEMNAS RISTEK indexed by: