Pendekatan Segmentasi Pelanggan di Industri Spa Bayi Menggunakan Model LRFM dan Algoritma Klasterisasi K-Means untuk Meningkatkan Efektivitas Pemasaran

Ramadhan, Dimas Fajar (2026) Pendekatan Segmentasi Pelanggan di Industri Spa Bayi Menggunakan Model LRFM dan Algoritma Klasterisasi K-Means untuk Meningkatkan Efektivitas Pemasaran. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 5026221139-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only Download (6MB) | Request a copy

Abstract

Dalam era persaingan bisnis yang semakin ketat, khususnya pada industri wellness dan sektor turunannya seperti industri spa bayi, pemahaman yang mendalam terhadap karakteristik serta nilai pelanggan menjadi faktor krusial dalam menjaga keberlanjutan profitabilitas unit bisnis. Selama ini, pendekatan pemasaran massal yang memperlakukan seluruh pelanggan secara homogen kurang efisien karena berpotensi menimbulkan pemborosan sumber daya, mengingat adanya perbedaan kebutuhan, frekuensi kunjungan, dan nilai transaksi pada setiap pelanggan. Oleh karena itu, penelitian ini mengusulkan model segmentasi pelanggan hibrida yang mengintegrasikan teknik data mining dan sistem pendukung keputusan, dengan tujuan mengidentifikasi pola perilaku pelanggan sekaligus mengukur nilai strategisnya melalui konsep Customer Lifetime Value (CLV). Metodologi penelitian diawali dengan pengolahan data transaksi historis pelanggan spa bayi yang diperoleh dari sistem Point of Sales (POS) untuk membentuk model LRFM (Length, Recency, Frequency, dan Monetary), yang dipilih karena kemampuannya dalam merepresentasikan perilaku pembelian jasa secara komprehensif. Selanjutnya, data LRFM yang telah melalui proses normalisasi dikelompokkan menggunakan algoritma K-Means Clustering untuk menghasilkan segmen pelanggan berdasarkan kemiripan karakteristik perilaku secara objektif, dengan jumlah klaster optimal ditentukan menggunakan Silhouette Analysis. Pada penelitian ini, perhitungan CLV diterapkan sebelum proses clusterisation, di mana pembobotan variabel LRFM ditentukan menggunakan metode Analytical Hierarchy Process (AHP) untuk mengakomodasi preferensi serta prioritas strategis manajemen. Nilai CLV tersebut kemudian dianalisis pada tingkat segmen sehingga dihasilkan pemeringkatan pelanggan berdasarkan tingkat profitabilitas. Dengan demikian, pendekatan ini memungkinkan pemisahan yang jelas antara pola perilaku pelanggan yang bersifat objektif dan penilaian nilai bisnis yang bersifat strategis, serta memberikan landasan yang kuat bagi perumusan strategi Customer Relationship Management (CRM) yang lebih terarah, efektif, dan berkelanjutan. Hasil pengujian menunjukkan adanya dua skenario nilai K yang optimal, yaitu K=2 dan K=3. Skenario K=3 terbukti lebih unggul dalam mengungkap karakteristik perilaku yang lebih implisit melalui pemisahan segmen yang lebih spesifik, seperti keberhasilan memisahkan kelompok inactive newbie dan new active customer, dibandingkan dengan skenario K=2 yang cenderung bersifat makro.
=====================================================================================================================================
In an increasingly competitive business environment, particularly within the wellness industry and its derivative sectors such as the baby spa industry, a deep understanding of customer characteristics and value is a crucial factor in sustaining business unit profitability. Conventional mass marketing approaches that treat all customers homogeneously tend to be inefficient and may lead to resource wastage, given the differences in customer needs, visit Frequency, and transaction value. Therefore, this study proposes a hybrid customer segmentation approach that integrates data mining techniques and decision support systems, aiming to identify customer behavioral patterns while simultaneously assessing their strategic value through the concept of Customer Lifetime Value (CLV). The research methodology begins with the processing of historical transaction data of baby spa customers obtained from the Point of Sales (POS) system to construct an LRFM (Length, Recency, Frequency, and Monetary) model, which is selected due to its ability to comprehensively represent service purchase behavior. Subsequently, the normalized LRFM data are grouped using the K-Means clustering algorithm to generate customer segments based on objective behavioral similarity, with the optimal number of clusters determined through Silhouette Analysis. In this study, CLV computation is conducted prior to the clustering process, where the weights of LRFM variables are determined using the Analytic Hierarchy Process (AHP) to accommodate managerial preferences and strategic priorities. The resulting CLV values are then analyzed at the segment level to produce a customer profitability ranking. Consequently, this approach enables a clear separation between objective customer behavioral patterns and strategic business value assessment, and provides a robust foundation for formulating more focused, effective, and sustainable Customer Relationship Management (CRM) strategies. The evaluation results reveal two optimal K-value scenarios, specifically K=2 and K=3. The K=3 scenario proves superior in uncovering latent behavioral characteristics through a more granular segmentation approach—such as successfully isolating 'inactive newbies' from 'new active customers'—in contrast to the K=2 scenario, which remains relatively macro-level.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	LRFM, K-Means, CLV, AHP, Klastering, Segmentasi, Pemasaran, RFM/P, Segmentation, Marketing
Subjects:	H Social Sciences > HF Commerce > HF5415.127 Market segmentation. Target marketing T Technology > TK Electrical engineering. Electronics Nuclear engineering > TK5105.546 Computer algorithms
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Information System > 57201-(S1) Undergraduate Thesis
Depositing User:	Dimas Fajar Ramadhan
Date Deposited:	17 Jul 2026 04:13
Last Modified:	17 Jul 2026 04:13
URI:	http://repository.its.ac.id/id/eprint/135201

Actions (login required)

View Item