Analisis Customer Lifetime Value (CLV) pada Penjualan Sambal Bakar Indonesia Grand Depok City Menggunakan Metode RFM
Keywords:
Customer Lifetime Value, K-Means Clustering, RFM, Segmentasi Pelanggan, StreamlitAbstract
Data transaksi pelanggan pada platform digital memiliki potensi besar untuk dimanfaatkan dalam analisis perilaku pelanggan, namun belum dimanfaatkan secara optimal oleh banyak pelaku usaha kuliner. Penelitian ini bertujuan membangun sistem berbasis web yang mengintegrasikan metode Recency, Frequency, Monetary (RFM) dan algoritma K-Means Clustering untuk segmentasi pelanggan serta analisis Customer Lifetime Value (CLV) pada Sambal Bakar Indonesia outlet Grand Depok City. Data yang digunakan merupakan 5.972 transaksi dari 2.989 pelanggan pada periode 1 September 2025 hingga 1 Maret 2026, bersumber dari platform GoFood, GrabFood, dan ShopeeFood. Sistem dibangun menggunakan Python dengan framework Streamlit. Berdasarkan Elbow Method diperoleh K=4 sebagai jumlah cluster optimal, menghasilkan empat segmen: Lost Customer (571 pelanggan, 19,1%), New Customer (1.000 pelanggan, 33,5%), Regular (102 pelanggan, 3,4%), dan Big Spender (1.316 pelanggan, 44,0%). Evaluasi menggunakan Silhouette Score menghasilkan nilai 0,4172 (kategori Cukup). Analisis CLV menunjukkan segmen Regular memiliki rata-rata CLV tertinggi sebesar Rp 910.172, mengindikasikan pelanggan dengan frekuensi konsisten memberikan kontribusi nilai jangka panjang terbesar.
References
Darmi, Y., & Setiawan, A. (2016). Penerapan Metode Clustering K-Means Dalam Pengelompokkan Pengguna Internet. Jurnal Pseudocode, 12(2), 148–157.
Hadi, F., Rahmadia, D. O., Nugraha, F. H., & Bulan, N. P. (2017). Penerapan K-Means Clustering Berdasarkan RFM Mofek Sebagai Pemetaan dan Pendukung Strategi Pengelolaan Pelanggan. Jurnal Ilmu Komputer dan Informasi, 15(1), 69–76.
Hendarsyah, D. (2020). Analisis Perilaku Konsumen dan Keamanan Kartu Kredit Perbankan. Jurnal Ilmiah Ekonomi Kita, 1(1), 85–96.
Juniati, F., Zafa, R., & Monalisa, M. S. (2020). Klasterisasi Customer Lifetime Value dengan Model LRFM Menggunakan Algoritma Fuzzy C-Means. Jurnal Rekayasa dan Manajemen Sistem Informasi, 6(1), 38–42.
Method, M., Indriyani, F., & Irfiani, E. (2019). Clustering Data Penjualan pada Toko Perlengkapan Outdoor Menggunakan Metode K-Means. Jurnal TECHSI, 7(November), 109–113.
Metisen, B. M., & Sari, H. L. (2016). Analisis Clustering Menggunakan Metode K-Means dalam Pengelompokkan Penjualan Produk pada Swalayan Fadhila. Jurnal Media Infotama, 11(2), 110–118.
Nahjan, M. R., Heryana, N., & Voutama, A. (2023). Implementasi RapidMiner dengan Metode Clustering K-Means untuk Analisa Penjualan Pada Toko OJ Cell. Jurnal Ilmiah KOMPUTASI, 7(1), 101–104.
RevoU. (2024). Customer Lifetime Value. https://www.revou.co/kosakata/customer-lifetime-value
Savitri, A. D., Bachtiar, F. A., & Setiawan, N. Y. (2018). Segmentasi Pelanggan Menggunakan Metode K-Means Clustering Berdasarkan Model RFM Pada Klinik Kecantikan. Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, 2(9), 2957–2966.
Septiani, Y., Arribe, E., & Diansyah, R. (2020). Penerapan Metode K-Means untuk Pengelompokan Mahasiswa Berdasarkan Minat Belajar. Jurnal CoSciTech, 3(1), 131–143.
Wakhidah, N. (2016). Clustering Menggunakan K-Means Algorithm. Jurnal Fakultas Teknologi Informasi, 21(1), 70–80.
Wijaya, K. Z., Djunaidy, A., & Mahananto, F. (2021). Segmentasi Pelanggan Menggunakan Algoritma K-Means dan Analisis RFM di Ova Gaming ESports Arena Kediri. Jurnal Repositor, 10(2).
