Analisis Segmentasi Pelanggan Menggunakan Model Hybrid RFM dan Algoritma K-Means pada PT Bin Sef Travel

PT Bin Sef Travel memiliki data transaksi historis yang besar namun belum memanfaatkannya secara optimal untuk mengidentifikasi karakteristik dan loyalitas pelanggannya. Perlakuan yang seragam terhadap seluruh pelanggan menyebabkan alokasi sumber daya dan strategi pemasaran menjadi kurang efisien, sehingga segmentasi berbasis data sangat penting untuk dilakukan. Penelitian ini bertujuan untuk menyelesaikan permasalahan tersebut dengan menerapkan model hybrid RFM (Recency, Frequency, Monetary) dan algoritma K-Means Clustering berdasarkan kerangka kerja metodologis CRISP-DM. Analisis dilakukan terhadap 448 catatan transaksi dari 68 pelanggan unik pada periode September hingga Desember 2025. Untuk memvalidasi stabilitas klaster yang terbentuk, penelitian ini menerapkan skenario pengujian dengan proporsi 70% data latih (training) dan 30% data uji (testing), sebelum model akhir dieksekusi menggunakan 100% dataset untuk segmentasi final. Pemodelan diawali dengan transformasi atribut RFM yang dinormalisasi menggunakan StandardScaler untuk menyeimbangkan skala komputasi. Evaluasi penentuan klaster memvalidasi nilai K=4 sebagai jumlah optimal menggunakan metode Elbow dan Silhouette Score sebesar 0,4143. Hasil segmentasi mengelompokkan pelanggan ke dalam empat segmen utama: Champions (pelanggan dengan transaksi bernilai makro tertinggi namun pasif), Loyal Customers (pilar pendapatan utama dengan transaksi berulang berskala masif), Potential Loyalists (kelompok mayoritas teraktif yang berpotensi loyal), dan At Risk (minoritas rentan beralih dengan jeda transaksi terlama dan kontribusi terendah). Seluruh model ini diimplementasikan ke dalam dasbor interaktif berbasis web. Kesimpulannya, penelitian ini mengusulkan pendekatan segmentasi yang objektif untuk melengkapi pertimbangan manajerial perusahaan. Temuan ini dapat dimanfaatkan sebagai landasan empiris dalam merancang strategi pemasaran yang tertarget.