KLASTERISASI PELANGGAN BERDASARKAN PERILAKU KONSUMEN MENGUNAKAN K-MEANS

Jefina Tri Kumalasari; Agustiena Merdekawati

doi:10.52362/jisamar.v9i4.2124

Jefina Tri Kumalasari Universitas Bina Sarana Informatika
Agustiena Merdekawati Universitas Bina Sarana Informatika

DOI: https://doi.org/10.52362/jisamar.v9i4.2124

Abstract

Mengelola loyalitas pelanggan dan menjangkau pembeli merupakan tantangan terbesar yang dihadapi industri retail. Segmentasi atau pengelompokan pelanggan merupakan strategi yang dilakukan dengan memisahkan pelanggan ke dalam beberapa kelompok berdasarkan perbedaan karakteristik, perilaku, maupun kebutuhan mereka. Pembagian ini bertujuan membantu pebisnis guna memenuhi kebutuhan mereka dengan mengoptimalkan layanan dan produk. Metode Clustering digunakan untuk mengidentifikasi beberapa segmen pelanggan. Berdasarkan hasil pengujian maka terlihat pada jumlah cluster optimal adalah K = 3 karena memiliki nilai tertinggi yaitu 0.33861316, hal ini didukung setalah dilakukan pengujian elbow methode. Penerapan Algoritma K-Means dalam mengkluster perilaku pelanggan memberikan wawasan mengenai variasi pola pembelian di antara pelanggan. Hasil ini dapat digunakan untuk mengembangkan strategi bisnis yang lebih terarah dan efektif. Namun, kondisi ekonomi dan faktor gaya hidup turut memberi pengaruh besar sehingga pola pengeluaran dalam populasi sangat bervariasi.

Downloads

Download data is not yet available.

References

[1] Z. Wu, L. Jin, J. Zhao, L. Jing, and L. Chen, “Research on Segmenting E-Commerce Customer through an Improved K-Medoids Clustering Algorithm,” Comput Intell Neurosci, vol. 2022, 2022, doi: 10.1155/2022/9930613.
[2] Prof. Y. Jadhav and Dr. D. Parasar, “Customer Segmentation and Buyer Targeting Approach,” International Journal of Recent Technology and Engineering (IJRTE), vol. 9, no. 4, pp. 295–303, Nov. 2020, doi: 10.35940/ijrte.D5013.119420.
[3] K. Tabianan, S. Velu, and V. Ravi, “K-Means Clustering Approach for Intelligent Customer Segmentation Using Customer Purchase Behavior Data,” Sustainability (Switzerland), vol. 14, no. 12, Jun. 2022, doi: 10.3390/su14127243.
[4] J. Joung and H. Kim, “Interpretable machine learning-based approach for customer segmentation for new product development from online product reviews,” Int J Inf Manage, vol. 70, Jun. 2023, doi: 10.1016/j.ijinfomgt.2023.102641.
[5] H. Mukhtar et al., “ALGORITMA K-MEANS UNTUK PENGELOMPOKAN PERILAKU CUSTOMER,” 2024.
[6] M. A. Haq, W. Purnomo, and N. Y. Setiawan, “Analisis Clustering Topik Survey menggunakan Algoritme K-Means (Studi Kasus: Kudata),” 2023. [Online]. Available: http://j-
[7] B. Pola Pembelian Oleh, H. Safitri, S. Putri Lenggo Geni, F. Merry, and M. Wati, “Penerapan K-Means Clustering untuk Segmentasi Konsumen E-Commerce Penerapan K-Means Clustering untuk Segmentasi Konsumen E-Commerce Berdasarkan Pola Pembelian,” JUKI : Jurnal Komputer dan Informatika, vol. 7, 2025.
[8] A. Satriawan, R. Andreswari, and O. N. Pratiwi, “SEGMENTASI PELANGGAN TELKOMSEL MENGGUNAKAN METODE CLUSTERING DENGAN RFM MODEL DAN ALGORITMA K-MEANS TELKOMSEL CUSTOMER SEGMENTATION USING CLUSTERING METHOD WITH RFM MODEL AND K-MEANS ALGORITHM.”
[9] H. Mukhtar et al., “ALGORITMA K-MEANS UNTUK PENGELOMPOKAN PERILAKU CUSTOMER,” 2024.
[10] A. Yusak, N. Rumapea, D. Pratiwi, and S. Sari, “Analisis Segmentasi Pelanggan Ritel Online Menggunakan K-Means Clustering Berdasarkan Model Recency, Frequency, Monetary (RFM),” Jurnal Sains dan Teknologi, vol. 6, no. 3, pp. 292–299, 2024, doi: 10.55338/saintek.v6i3.4607.