Sub-CPMK
Segmentasi Pelanggan Berdasarkan Perilaku, Demografi, dan Nilai Menggunakan Analisis RFM
Mahasiswa mampu melakukan segmentasi pelanggan menggunakan teknik analisis RFM (Recency, Frequency, Monetary): menjelaskan konsep dan komponennya, menghitung skor R, F, dan M dari data transaksi, serta mengelompokkan pelanggan ke dalam beberapa segmen strategis seperti Champion, Loyal, dan At Risk.
Foto: Unsplash (Luke Chesser) — data transaksi pelanggan menjadi dasar dalam melakukan segmentasi berbasis perilaku
1. Konsep dan Komponen Analisis RFM
Analisis RFM adalah teknik segmentasi pelanggan berbasis perilaku transaksi historis yang menilai setiap pelanggan melalui tiga dimensi utama, yaitu seberapa baru pelanggan tersebut melakukan transaksi terakhirnya, seberapa sering ia bertransaksi, dan seberapa besar nilai uang yang telah dibelanjakan (Jurnal Ilmiah Ilmu Komputer FIKOM Unasman, 2025). Pendekatan ini populer karena sederhana secara komputasi namun terbukti mampu memetakan perilaku konsumsi pelanggan dengan cukup akurat menggunakan data yang sudah tersedia di hampir semua sistem transaksi atau point-of-sale (Jurnal Pustaka Galeri Mandiri, 2025).
Ketiga komponen RFM saling melengkapi dalam menggambarkan nilai seorang pelanggan bagi bisnis:
Recency (R)
Mengukur seberapa baru pelanggan melakukan transaksi terakhir. Semakin baru, semakin besar peluang pelanggan tersebut masih aktif dan responsif terhadap penawaran.
Frequency (F)
Mengukur seberapa sering pelanggan bertransaksi dalam periode waktu tertentu. Frekuensi tinggi umumnya mengindikasikan loyalitas dan kebiasaan belanja yang konsisten.
Monetary (M)
Mengukur total nilai uang yang telah dibelanjakan pelanggan dalam periode analisis. Nilai monetary yang besar mencerminkan kontribusi pendapatan yang signifikan bagi bisnis.
Ketiga skor R, F, dan M ini kemudian digabungkan untuk membentuk profil menyeluruh setiap pelanggan, yang selanjutnya dipakai sebagai dasar pengelompokan ke dalam segmen-segmen strategis. Beberapa penelitian bahkan menggabungkan RFM dengan algoritma clustering seperti K-Means untuk mendapatkan pengelompokan yang lebih objektif dan tervalidasi secara statistik (Jurnal SIMANTEC Universitas Trunojoyo, 2024; JUTEI UKDW, 2015), maupun mengombinasikannya dengan data demografis pelanggan agar hasil segmentasi lebih akurat (IC-Tech, 2023).
2. Menghitung Skor Recency (R)
Skor Recency dihitung dengan mencari selisih hari antara tanggal analisis dilakukan dengan tanggal transaksi terakhir setiap pelanggan. Semakin kecil selisih harinya (artinya baru saja bertransaksi), semakin tinggi skor Recency yang diberikan. Rumus dasarnya adalah sebagai berikut:
Setelah nilai Recency (dalam satuan hari) didapat untuk seluruh pelanggan, nilai tersebut lalu diurutkan dan dibagi ke dalam beberapa kelompok (umumnya 5 kelompok atau kuintil) menggunakan skala 1 hingga 5, di mana skor 5 diberikan kepada pelanggan dengan hari transaksi terakhir paling baru dan skor 1 untuk yang paling lama tidak bertransaksi (Putler, 2025). Pembagian kuintil ini bisa dilakukan secara manual pada dataset kecil, atau otomatis menggunakan fungsi seperti qcut pada Python untuk dataset yang besar (Jurnal Ilmiah Ilmu Komputer FIKOM Unasman, 2025).
3. Menghitung Skor Frequency (F)
Skor Frequency dihitung dari jumlah total transaksi yang dilakukan seorang pelanggan dalam periode pengamatan tertentu, misalnya satu tahun terakhir. Semakin banyak jumlah transaksinya, semakin tinggi pula skor Frequency yang diberikan.
Sama seperti Recency, nilai Frequency mentah kemudian diberi peringkat dan dikelompokkan menjadi skala 1–5, namun arah penilaiannya berkebalikan: skor 5 diberikan pada pelanggan dengan jumlah transaksi terbanyak. Nilai Frequency yang tinggi umumnya berkorelasi dengan kebiasaan belanja berulang dan tingkat keterikatan pelanggan terhadap merek (Jurnal Teknologi Informatika dan Komputer Universitas Thamrin, 2024).
4. Menghitung Skor Monetary (M)
Skor Monetary dihitung dari akumulasi total nilai transaksi (dalam satuan mata uang) yang telah dibelanjakan pelanggan selama periode analisis berlangsung.
Sebagaimana Frequency, nilai Monetary yang lebih besar diberi skor yang lebih tinggi pada skala 1–5. Kombinasi Frequency dan Monetary sering dipakai bersamaan untuk melihat kontribusi nilai ekonomis pelanggan terhadap bisnis, sementara Recency lebih mencerminkan tingkat keaktifan pelanggan saat ini (MALCOM Journal, IRPI, 2023).
📊 Contoh Perhitungan RFM pada 5 Pelanggan
Berikut contoh ilustrasi data transaksi lima pelanggan sebuah toko untuk memudahkan pemahaman proses penghitungan skor R, F, dan M secara manual.
| Pelanggan | Hari Sejak Transaksi Terakhir | Jumlah Transaksi | Total Belanja |
|---|---|---|---|
| Pelanggan A | 2 hari | 12 kali | Rp 8.500.000 |
| Pelanggan B | 45 hari | 3 kali | Rp 1.200.000 |
| Pelanggan C | 5 hari | 20 kali | Rp 15.000.000 |
| Pelanggan D | 120 hari | 1 kali | Rp 300.000 |
| Pelanggan E | 15 hari | 7 kali | Rp 4.750.000 |
Data mentah tersebut kemudian diberi peringkat pada masing-masing kolom dan dikonversi menjadi skor 1–5 (5 = terbaik) sebagai berikut:
| Pelanggan | Skor R | Skor F | Skor M | Total RFM |
|---|---|---|---|---|
| Pelanggan A | 5 | 4 | 4 | 543 |
| Pelanggan B | 2 | 2 | 2 | 222 |
| Pelanggan C | 4 | 5 | 5 | 455 |
| Pelanggan D | 1 | 1 | 1 | 111 |
| Pelanggan E | 3 | 3 | 3 | 333 |
Foto: Unsplash (Carlos Muza) — skor R, F, dan M yang telah dihitung selanjutnya digabungkan menjadi profil segmentasi tiap pelanggan
5. Mengelompokkan Pelanggan ke dalam Segmen
Setelah skor R, F, dan M diperoleh, langkah berikutnya adalah menggabungkan ketiganya untuk mengelompokkan pelanggan ke dalam beberapa segmen yang memiliki makna strategis bagi bisnis. Pendekatan paling umum adalah memetakan kombinasi skor Recency pada satu sumbu dengan gabungan skor Frequency dan Monetary pada sumbu lainnya, sehingga terbentuk beberapa zona segmen yang masing-masing membutuhkan perlakuan pemasaran berbeda (Braze, 2025; CleverTap, 2026).
Berikut lima segmen inti yang umum digunakan beserta strategi yang biasanya diterapkan untuk masing-masing kelompok:
- Champion — Recency, Frequency, dan Monetary sama-sama tinggi. Pelanggan paling bernilai yang baru saja bertransaksi, sering membeli, dan berkontribusi pendapatan besar. Strategi: berikan program loyalitas eksklusif, akses produk baru lebih awal, dan insentif referral (CleverTap, 2026).
- Loyal Customer — Frequency dan Monetary tinggi dengan Recency yang cukup baik. Pelanggan setia yang responsif terhadap promosi. Strategi: pertahankan dengan program keanggotaan dan penawaran personal secara berkala.
- Potential Loyalist / New Customer — Recency baik namun Frequency dan Monetary masih rendah, biasanya pelanggan baru. Strategi: dorong transaksi ulang lewat onboarding, rekomendasi produk, dan penawaran khusus pembeli baru.
- At Risk — Frequency dan Monetary sebelumnya tinggi, tetapi Recency menurun drastis (lama tidak bertransaksi). Strategi: kampanye win-back, penawaran personal, dan permintaan umpan balik untuk mencegah kehilangan pelanggan (Ambassador, 2025).
- Hibernating / Lost — Ketiga skor R, F, dan M sama-sama rendah. Pelanggan yang hampir tidak aktif lagi. Strategi: prioritas rendah, namun tetap bisa dicoba lewat diskon besar sekali waktu untuk reaktivasi.
Ilustrasi — Matriks segmentasi RFM: sumbu horizontal = skor Recency, sumbu vertikal = gabungan skor Frequency & Monetary (diagram orisinal)
Dengan mengacu pada contoh perhitungan pada bagian sebelumnya, Pelanggan A dan C (skor RFM 543 dan 455) tergolong segmen Champion, Pelanggan E (skor 333) berada pada segmen Loyal/Need Attention di tengah matriks, sedangkan Pelanggan B dan D (skor 222 dan 111) masuk ke segmen Hibernating/Lost karena ketiga skornya rendah. Pemetaan semacam ini memudahkan tim pemasaran menentukan prioritas dan jenis kampanye yang paling relevan untuk masing-masing kelompok pelanggan, alih-alih memperlakukan seluruh pelanggan dengan cara yang seragam (Springer – Journal of Umm Al-Qura University for Engineering and Architecture, 2025).
Kesimpulan
Analisis RFM memberikan cara sistematis untuk mengubah data transaksi mentah menjadi wawasan yang dapat ditindaklanjuti mengenai nilai setiap pelanggan bagi bisnis. Dengan menghitung skor Recency, Frequency, dan Monetary secara terpisah lalu menggabungkannya, bisnis dapat mengelompokkan pelanggan ke dalam segmen-segmen seperti Champion, Loyal, Potential Loyalist, At Risk, hingga Hibernating. Segmentasi ini pada akhirnya membantu tim pemasaran merancang strategi retensi dan akuisisi yang lebih tepat sasaran, efisien, dan berbasis data, dibandingkan pendekatan pemasaran yang bersifat generik untuk seluruh pelanggan.
Daftar Pustaka
- Jurnal Ilmiah Ilmu Komputer, Fakultas Ilmu Komputer Universitas Al Asyariah Mandar. (2025). Analisis Segmentasi Pelanggan Menggunakan Recency Frequency and Monetary (RFM) Berbasis Python. Tautan artikel
- Ibrahim, G. K. R. (2025). Analisis Segmentasi RFM (Recency Frequency Monetary) untuk Menentukan Strategi Pemasaran Online (Studi Kasus PT MMT). Tesis, Universitas Bakrie. Tautan repositori
- Jurnal SIMANTEC, Universitas Trunojoyo Madura. (2024). Segmentasi Pelanggan Berdasarkan Analisis Recency, Frequency, Monetary Menggunakan K-Means. Tautan artikel
- Jurnal Teknologi Informatika dan Komputer, Universitas Thamrin. (2024). Segmentasi Pelanggan Berdasarkan Recency, Frequency, dan Monetary dengan K-Means Clustering: Studi Kasus Toko Pakaian Almost Famous. Tautan artikel
- IC-Tech Volume XVIII No. 2. (2023). Segmentasi Pelanggan Berdasarkan Analisis RFM (Recency, Frequency and Monetary Indexes) dan Analisis Demografi. Tautan artikel
- JUTEI, Universitas Kristen Duta Wacana. (2015). Analisis Segmentasi Pelanggan Menggunakan Kombinasi CRISP-DM, Model RFM, dan Algoritma K-Means. Tautan artikel
- MALCOM: Indonesian Journal of Machine Learning and Computer Science, IRPI. (2023). Segmentasi Pelanggan dengan Algoritma Clustering Berdasarkan Atribut Recency, Frequency dan Monetary (RFM). Tautan artikel
- Jurnal Pustaka Galeri Mandiri. (2025). Segmentasi Pelanggan Toko Hanifah Berdasarkan Analisis RFM dan K-Means Clustering. Tautan artikel
- Journal of Umm Al-Qura University for Engineering and Architecture, Springer Nature. (2025). Intelligent Customer Segmentation: Unveiling Consumer Patterns with Machine Learning. Tautan artikel
- Braze. (2025). Understanding RFM Segmentation — Marketer's Guide. Tautan artikel
- CleverTap. (2026). RFM Analysis for Customer Segmentation: A Comprehensive Guide. Tautan artikel
- Putler. (2025). RFM Analysis for Successful Customer Segmentation. Tautan artikel
- Ambassador. (2025). How RFM Analysis Enhances Customer Segmentation and Retention. Tautan artikel
📖 Progres Membaca
Sedang menghitung waktu baca... (0 / 180 detik)
Post a Comment