Proses retur merupakan hal yang perlu diatur oleh sebuah industri untuk dapat meminimalisir pengembalian barang dari pelanggan ke perusahaan. Salah satu cara untuk mengatasi hal itu adalah dengan adanya kebijakan retur terhadap pelanggan, namun kebijakan retur kerap hanya memiliki satu jenis yang diterapkan ke seluruh lapisan pelanggan. Hal ini dapat merugikan perusahaan apabila pelanggan menyalahgunakan kebijakan yang ada. Sehingga dibutuhkan kebijakan retur yang sesuai dengan karakteristik pelanggan. Penelitian ini bertujuan untuk mendapatkan informasi karakteristik pelanggan retur serta produk retur dengan membuat pemetaan pelanggan dan produk berdasarkan aktivitas returnya. Setelah diketahui kelompok dari pelanggan dan produk, setiap kelompokakan diklasifikan berdasarkan hasil kelasnya. Penelitian ini berbasiskan data dari industri farmasi yang memiliki karakteristik khusus dalam proses retur. Penelitian ini menggunakan metode K-Means Clustering dan Decision Tree C4.5 untuk memetakan produk serta pelanggan retur dengan atribut Recency, Frequency, dan Monetary untuk pelanggan, serta frekuensi retur untuk produk. Hasil dari penelitian ini berupa segmentasi pelanggan dan produk retur yang menghasilkan empat klaster pada tiap dimensi. Berdasarkan karakteristik pelanggan retur dapat dihasilkan rekomendasi berupa kebijakan retur yang sesuai dengan segmen pelanggan.

---

The return process is one of the process in supply chain management that is required to be regulated by industry to be able to minimize the return of goods from customers to the firm. One of strategy to overcome this is by implementing a return policy for customers but return policies often have only one type that is applied to all layers of customers. This can be detrimental to the company if the customer abuses the existing policies. So, the firm need a return policy that regulated based on customer characteristics. This study aims to obtain information on the characteristics of customer returns and product returns by mapping customers and products based on their return activities. Having known groups of customers and products, each group will be classified based on the results of its class. This research is based on data from the pharmaceutical industry that has special characteristics in the return process. This study uses the K-Means Clustering and Decision Tree C4.5 method to map products and customer returns with the Recency, Frequency, and Monetary (RFM) attributes for customers, as well as the frequency of returns for products. The result of this study is segmentation on return customers and product with four clusters in each dimension. Based on the segmentation on return customers, recommendation on return policy could be generated with a suitable characteristic of the customers.