Segmentasi Supplier Berdasarkan Data Transaksi Menggunakan K-Means dengan Pendekatan QRFM Termodifikasi dan Validasi Multi-Platform

Abstract

Penelitian ini bertujuan untuk melakukan segmentasi supplier berdasarkan data transaksi menggunakan pendekatan data mining dengan algoritma K-Means. Permasalahan yang diangkat adalah belum adanya pengelompokan supplier yang dapat mendukung pengambilan keputusan strategis dalam pengelolaan supplier. Metode yang digunakan adalah K-Means clustering dengan pendekatan QRFM (Quantity, Recency, Frequency, Monetary) sebagai pengembangan dari model RFM. Dataset yang digunakan berupa data estimasi invoice periode Januari 2024 hingga Desember 2025 yang telah melalui proses transformasi dan normalisasi menggunakan metode Min-Max. Evaluasi model dilakukan menggunakan Davies-Bouldin Index (DBI) dan divalidasi menggunakan dua platform, yaitu RapidMiner dan Google Colab. Hasil penelitian menunjukkan bahwa model RFM menghasilkan nilai DBI terbaik sebesar 0,357, sedangkan QRFM sebesar 0,377. Sementara itu, hasil validasi pada Google Colab menunjukkan nilai DBI sebesar 0,642 dan Silhouette Score sebesar 0,580. Meskipun nilai DBI pada RapidMiner lebih optimal, kedua platform menghasilkan pola klister yang konsisten. Hasil clustering menghasilkan tiga kelompok supplier, yaitu supplier prioritas, supplier menengah, dan supplier berisiko. Penelitian ini menunjukkan bahwa pendekatan QRFM mampu memberikan insight yang lebih komprehensif dibandingkan dengan RFM dalam analisis segmentasi supplier.