SEGMENTASI PELANGGAN PRIVATE GYM BERDASARKAN DATA BOOKING DENGAN ALGORITMA K-MEANS
Studi Kasus : PT. Gymzone Inovasi Indonesia
Abstract
Perkembangan industri kebugaran mendorong meningkatnya minat masyarakat terhadap layanan private gym yang
menawarkan pengalaman berlatih yang lebih personal. Namun, tantangan yang dihadapi manajemen adalah memahami
perilaku pelanggan yang beragam agar strategi pelayanan dan pemasaran dapat tepat sasaran. Studi ini bertujuan untuk
mengelompokkan pelanggan private gym berdasarkan data booking menggunakan algoritma K-Means. Data yang
digunakan meliputi jumlah sesi booking, durasi latihan, serta waktu pemesanan. Metode penelitian mencakup tahap pra
pemrosesan data, penerapan algoritma K-Means untuk membentuk kelompok pelanggan, serta menggunakan Elbow
Method untuk menentukan nilai k yang optimal dan mengetahui kualitas cluster yang dihasilkan dengan Silhouette Score.
Implementasi dilakukan pada sistem berbasis web menggunakan framework Laravel yang menampilkan hasil segmentasi
dalam bentuk tabel dan visualisasi grafik. Hasil penelitian menunjukkan bahwa pelanggan dapat dikelompokkan menjadi
tiga segmen utama, yaitu pelanggan aktif, pasif, dan potensial. Kesimpulannya, penerapan algoritma K-Means mampu
membantu manajemen private gym dalam memahami karakteristik pelanggan serta merumuskan strategi bisnis yang
lebih efektif dan berbasis data.
References
Kilo.[Online]. Available: https://usekilo.com/how-to-use-personalization-to-keep-more-gym-members/
[2] Rahmat, B., Narimawati, U., Afandi, A., Priadana, S., & Erlangga, H. (2022). Pengaruh Kualitas Pelayanan dan
Strategi Pemasaran Terhadap Minat Beli Konsumen OTOBento. JIIP-Jurnal Ilmiah Ilmu Pendidikan, 1119.
[3] R. Adha, N. Nurhaliza, and U. Soleha, “Perbandingan Algoritma DBSCAN dan K-Means Clustering untuk
Pengelompokan Kasus Covid-19 di Dunia,” Jurnal Sains, Teknologi dan Industri, vol. 18, no. 2, pp. 206–211, 2021,
[Online]. Available: https://covid19.who.int.
[4] N. Nugroho and F. D. Adhinata, “Penggunaan Metode K-Means dan K-Means++ Sebagai Clustering Data Covid 19
di Pulau Jawa,” Teknika, vol. 11, no. 3, pp. 170–179, Oct. 2022, doi: 10.34148/teknika.v11i3.502.
[5] Ardhea, C., Ahmad F., Deddy R. (2024). Sistem Pemetaan dan Klasterisasi TPS di Kota Malang Dengan Algoritma
Kmeans++. JTST, Vol. 06, No. 1, 1 9, 2025.
[6] Febrianto, Andy, Sentot Achmadi, and Agung Panji Sasmito. "Penerapan metode K-Means untuk clustering
pengunjung perpustakaan ITN Malang." Jurnal Mahasiswa Teknik Informatika 5.1 (2021): 61-70.
[7] Selay, Arief, et al. "Sistem Informasi Penjualan." Karimah Tauhid 2.1: 232-237, 2023.
