Penelitian ini dilatarbelakangi oleh tantangan yang dihadapi PT. XYZ dalam mempertahankan pelanggan akibat belum optimalnya pemanfaatan data transaksi, penilaian loyalitas pelanggan yang masih bersifat subjektif, serta ketiadaan segmentasi pelanggan yang terukur. Kondisi tersebut menyebabkan strategi retensi yang diterapkan bersifat umum dan kurang efektif dalam membedakan perlakuan antara pelanggan bernilai tinggi dan pelanggan yang berpotensi mengalami churn. Untuk mengatasi permasalahan tersebut, penelitian ini menggunakan model LRFM (Length, Recency, Frequency, dan Monetary) guna mengekstraksi perilaku pembelian pelanggan secara kuantitatif, serta menerapkan algoritma K-Means untuk mengelompokkan pelanggan berdasarkan kesamaan karakteristik perilaku transaksi. Data transaksi pelanggan PT. XYZ pada periode Januari 2022 hingga Juli 2025 diolah melalui tahapan pra-pemrosesan data, perhitungan nilai LRFM, normalisasi data, serta evaluasi jumlah cluster optimal menggunakan Elbow Method dan Silhouette Score. Hasil penelitian menunjukkan bahwa tiga cluster merupakan segmentasi pelanggan yang paling optimal, yaitu (1) High Value Loyal Customers, pelanggan dengan nilai dan frekuensi transaksi tinggi; (2) At-Risk Customers, pelanggan lama dengan penurunan aktivitas pembelian dan risiko churn yang tinggi; serta (3) Low Value/New Customers, pelanggan baru dengan kontribusi transaksi yang relatif rendah. Segmentasi ini memberikan dasar yang objektif dan terukur bagi perusahaan dalam merancang strategi retensi pelanggan yang lebih tepat sasaran, seperti penetapan prioritas layanan, penerapan program reaktivasi, dan edukasi pelanggan sesuai dengan karakteristik masing-masing segmen.