Segmentasi Pelanggan Buah Segar dengan RFM dan Improved K-Means Berbasis Optimasi Centroid: Segmentation of Fresh Fruit Customers Using RFM and Improved K-Means Based on Centroid Optimization

Perkembangan teknologi informasi mendorong perusahaan untuk memanfaatkan data guna meningkatkan efektivitas strategi bisnis, termasuk dalam segmentasi pelanggan. Namun, pada kenyataannya, masih banyak perusahaan yang belum mengoptimalkan data transaksi secara maksimal. Pada perusahaan penjualan buah segar di Tangerang, terdapat sekitar 3.000 pelanggan terdaftar, namun hanya 748 diantaranya yang bertransaksi sepanjang tahun 2024. Fenomena ini mencerminkan urgensi strategi pemasaran untuk meningkatkan keterlibatan pelanggan dalam melakukan transaksi. Penelitian ini bertujuan menganalisis segmentasi pelanggan dengan pendekatan Recency, Frequency, and Monetary (RFM) serta algoritma K-Means standar dan Improved K-Means dengan optimasi inisialisasi centroid berbasis minimum variance dan global average distance untuk meningkatkan kualitas segmentasi pelanggan. Hasil pengujian metode elbow menunjukkan K=3 terbentuk sebagai cluster optimal. Hasil perbandingan menunjukkan bahwa Improved K-Means unggul dalam efisiensi waktu komputasi (0,0095 detik) dan kompaksi klaster yang lebih efektif dengan penurunan Sum of Squared Errors (SSE) sebesar 57,86%, Hasil Silhouette Score K-Means standar 0.565 dan Improved K-Means 0.564 relatif seimbang. Segmentasi yang dihasilkan mengidentifikasi tiga kelompok pelanggan: loyal bernilai tinggi, beraktivitas rendah, dan berisiko churn. Kontribusi penelitian ini terletak pada penerapan Improved K-Means pada data transaksi pelanggan serta interpretasi hasil segmentasi yang menjadi rekomendasi strategi pemasaran berbasis data dan lebih tepat sasaran, sehingga mendukung pertumbuhan bisnis yang berkelanjutan.