Salon Shopia menghadapi tantangan dalam mengelola data pelanggan dan merancang strategi pemasaran yang efektif. Penelitian ini bertujuan untuk mengimplementasikan model Recency, Frequency, Monetary (RFM) dan Algoritma K- Means Clustering untuk segmentasi pelanggan berbasis data. Model RFM menganalisis perilaku pelanggan berdasarkan transaksi terkini, frekuensi, dan nilai moneter. Data yang dianalisis kemudian diproses menggunakan K-Means Clustering untuk mengelompokkan pelanggan ke dalam segmen yang berbeda. Pendekatan ini memungkinkan salon untuk mendaptkan wawasan yang lebih dalam tentang karakteristik pelanggan danmengembangkan strategi pemasaran yang lebih efektif, seperti program loyalitas yang disesuaikan. Implementasi sistem berbasis web memudahkan pengelolaan data pelanggan dan mendukung pengambilan keputusan bisnis yang lebih akurat. Berdasarkan hasil pengujian white box dan black box menunjukan bahwa halaman web berjalan dengan baik sesuai dengan yang direncanakan oleh penulis. Disisi lain, hasil UAT (User Acceptnce Test) menunjukkan bahwa 85,5% sistem yang dibangun dapat digunakan oleh semua pengguna. Temuan dari penelitian ini menyimpulkan bahwa kombinasi RFM dan K-Means Clustering dapat meningkatkan efisiensi manajemen pelanggan dan membantu meningkatkan loyalitas pelanggan.

Salon Shopia faces challenges in managing customer data and designing effective marketing strategies. This study aims to implement the Recency, Frequency, Monetary (RFM) model and K-Means Clustering Algorithm for data-driven customer segmentation. The RFM model analyzes customers’ behaviors based on transaction recency, frequency, and monetary value. The analyzed data is then processed using K-Means Clustering to classify customers into different segments. This approach enables the salon to gain deeper insights into customers’ characteristics and to develop more effective marketing strategies, such as tailored loyalty programs. The web-based system implementation facilitates customer data management and supports more accurate business decision-making. Based on the result of white box and black box testing, it shows that the web page runs well as its planned by the writer. In the other hand, the result of UAT (User Acceptance Test) shows that 85,5% the built system can be used by all users. The findings of this study concludes that the combination of RFM and K-Means Clustering enhances customers’ management efficiency and helps to improve customers’ loyalties.