Klasterisasi Pelanggan Mall Menggunakan Algoritma K-Means Untuk Mendukung Strategi Segmentasi Pelanggan

Muhamad Ikhsan, Wismaningsih Wismaningsih

Sari


Segmentasi pelanggan merupakan salah satu strategi penting dalam dunia bisnis modern untuk memahami karakteristik konsumen dan meningkatkan efektivitas pemasaran. Perusahaan perlu mengidentifikasi kelompok pelanggan yang memiliki pola pembelian serupa sehingga strategi pemasaran dapat disesuaikan dengan karakteristik masing-masing kelompok. Penelitian ini bertujuan untuk mengelompokkan pelanggan mall menggunakan algoritma K-Means berdasarkan karakteristik pelanggan, yaitu pendapatan tahunan dan tingkat pengeluaran. Dataset yang digunakan terdiri atas 500 data pelanggan yang memuat atribut CustomerID, Gender, Age, Annual Income, dan Spending Score. Tahapan penelitian meliputi pengumpulan data, preprocessing, eksplorasi data, pemilihan atribut, standardisasi data menggunakan StandardScaler, penentuan jumlah cluster menggunakan Elbow Method, proses clustering menggunakan algoritma K-Means, serta evaluasi hasil menggunakan Silhouette Score. Hasil penelitian menunjukkan bahwa jumlah cluster optimal adalah lima kelompok pelanggan. Setiap cluster memiliki karakteristik yang berbeda, yaitu pelanggan dengan pendapatan rendah dan pengeluaran rendah, pendapatan rendah dan pengeluaran tinggi, pendapatan sedang, pendapatan tinggi dan pengeluaran rendah, serta pendapatan tinggi dan pengeluaran tinggi. Hasil pengelompokan ini dapat dimanfaatkan oleh perusahaan untuk menyusun strategi pemasaran yang lebih efektif, meningkatkan loyalitas pelanggan, dan menentukan target promosi yang sesuai. Implementasi algoritma K-Means menunjukkan kemampuan yang baik dalam mengelompokkan data pelanggan secara cepat dan efisien sehingga dapat digunakan sebagai salah satu metode pendukung pengambilan keputusan dalam segmentasi pelanggan.


Kata kunci— Algoritma K-Means, Klasterisasi Pelanggan, Segmentasi Pelanggan, Pendapatan Tahunan, Spending Score.


Teks Lengkap:

PDF

Referensi


J. Han, M. Kamber, and J. Pei, Data Mining: Concepts and Techniques, 3rd ed. Burlington, MA, USA: Morgan Kaufmann, 2012.

P. N. Tan, M. Steinbach, A. Karpatne, and V. Kumar, Introduction to Data Mining, 2nd ed. New York, NY, USA: Pearson, 2019.

F. Pedregosa et al., "Scikit-learn: Machine Learning in Python," Journal of Machine Learning Research, vol. 12, pp. 2825–2830, 2011.

T. Hastie, R. Tibshirani, and J. Friedman, The Elements of Statistical Learning, 2nd ed. New York, NY, USA: Springer, 2009.

C. M. Bishop, Pattern Recognition and Machine Learning. New York, NY, USA: Springer, 2006.

A. Géron, Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow, 3rd ed. Sebastopol, CA, USA: O'Reilly Media, 2022.

S. Raschka and V. Mirjalili, Python Machine Learning, 3rd ed. Birmingham, U.K.: Packt Publishing, 2019.

L. Kaufman and P. J. Rousseeuw, Finding Groups in Data: An Introduction to Cluster Analysis. Hoboken, NJ, USA: John Wiley & Sons, 2005.

D. T. Larose and C. D. Larose, Discovering Knowledge in Data: An Introduction to Data Mining, 3rd ed. Hoboken, NJ, USA: John Wiley & Sons, 2014.

M. Ester, H. P. Kriegel, J. Sander, and X. Xu, "A Density-Based Algorithm for Discovering Clusters in Large Spatial Databases with Noise," in Proceedings of the Second International Conference on Knowledge Discovery and Data Mining (KDD-96), Portland, OR, USA, 1996, pp. 226–231.

S. Lloyd, "Least Squares Quantization in PCM," IEEE Transactions on Information Theory, vol. 28, no. 2, pp. 129–137, Mar. 1982.

R. Xu and D. Wunsch, Clustering. Hoboken, NJ, USA: John Wiley & Sons, 2009.

A. Wanto, "Penerapan Data Mining untuk Segmentasi Pelanggan Menggunakan Algoritma K-Means," Jurnal Media Informatika Budidarma, vol. 4, no. 3, 2020.

D. Nofriansyah, "Implementasi Algoritma K-Means pada Segmentasi Pelanggan," Jurnal RESTI, vol. 5, no. 2, 2021.

H. S. Siregar, "Analisis Segmentasi Pelanggan Menggunakan Metode K-Means," Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK), vol. 9, no. 4, 2022.


Refbacks

  • Saat ini tidak ada refbacks.


EJECTS: Jurnal Computer, Technology, and Informations System

Gedung Fakultas Ilmu Komputer, Universitas Darwan Ali, JL. Batu Berlian, No. 10, Sampit, Kabupaten Kotawaringin Timur, Provinsi Kalimantan Tengah, 74322

Creative Commons Licence
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.

View My Stats