Analisis Segmentasi Pelanggan Berbasis Data Transaksi Menggunakan Metode K-Means
Article Sidebar
Main Article Content
Abstract
Penelitian ini bertujuan untuk menganalisis segmentasi pelanggan berdasarkan data transaksi menggunakan metode K-Means Clustering sebagai upaya meningkatkan efektivitas strategi pemasaran berbasis data. Permasalahan utama yang diidentifikasi adalah belum optimalnya pemanfaatan data transaksi pelanggan dalam membentuk segmen yang akurat dan representatif, sehingga perusahaan sering mengalami kesulitan dalam menentukan prioritas pelanggan serta merancang intervensi pemasaran yang lebih tepat sasaran. Penelitian ini menggunakan dataset transaksi pelanggan yang mencakup atribut perilaku seperti frekuensi pembelian, nilai transaksi, saldo, limit kredit, serta aktivitas pembayaran. Proses penelitian meliputi tahapan praproses data, transformasi atribut, penanganan missing values, normalisasi, pemodelan K-Means, penerapan model, serta evaluasi kualitas klaster menggunakan Davies–Bouldin Index. Hasil penelitian menunjukkan bahwa algoritma K-Means berhasil mengelompokkan data pelanggan ke dalam lima klaster dengan karakteristik perilaku yang berbeda. Evaluasi menggunakan Davies–Bouldin Index menghasilkan nilai 3.012 yang mengindikasikan bahwa kualitas pemisahan antar klaster masih dapat ditingkatkan, namun struktur klaster tetap dapat memberikan gambaran awal mengenai segmen pelanggan. Temuan ini menegaskan bahwa pendekatan clustering mampu memberikan wawasan yang relevan mengenai pola transaksi pelanggan dan dapat dijadikan dasar dalam penyusunan strategi pemasaran yang lebih terarah, personalisasi layanan, serta pengembangan program retensi pelanggan.
Katakunci: K-Means Clustering, Segmentasi Pelanggan, Data Transaksi, Praproses Data, Indeks Davies–Bouldin, Strategi Pemasaran, Perilaku Pelanggan
Article Details
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
References
Ardana, C. H., Aldita, A., Aisyah, A., Khoyum, A., & Faisal, M. (2024). Segmentasi Pelanggan Penjualan Online Menggunakan Metode K- means Clustering. 9(1), 1–9. https://doi.org/10.14421/jiska.2024.9.1.1-9
Arifianto, F., Hasudungan, J., Muzaky, A., & Achsan, H. T. Y. (2024). Segmentasi Pelanggan Berdasarkan Recency , Frequency , dan Monetary dengan K-Means Clustering : Studi Kasus Toko Pakaian Almost Famous komponen penting dari strategi bisnis modern . Dalam era komputer dan internet saat ini , untuk mengumpulkan informasi b. 10(1), 122–135. https://doi.org/10.37012/jtik.v10i1.2096
Aslantaş, G., Gençgül, M., Rumelli, M., & Özsaraç, M. (2023). Customer Segmentation Using K-Means Clustering Algorithm and RFM Model K- Means Kümeleme Algoritması ve RFM Modeli Kullanarak Müşteri Segmentasyonu. 25(74), 491–503. https://doi.org/10.21205/deufmd.2023257418
Atmoko, F. D., Studi, P., Informatika, T., & Ulama, U. N. (2025). Penerapan K-Means Clustering untuk Segmentasi Pelanggan Fathoni Dwi Atmoko Perusahaan di berbagai industri telah beralih ke Customer Relationship Management ( CRM ) yang canggih , di mana segmentasi pelanggan adalah fondasi utamanya . Dengan Segmentasi Pe. https://doi.org/10.61132/uranus.v3i2.1214
Awaliyah, D. A., Budi Prasetiyo, Muzayanah, R., & Lestari, A. D. (2024). Optimizing Customer Segmentation in Online Retail Transactions through the Implementation of the K-Means Clustering Algorithm. Scientific Journal of Informatics, 11(2), 539–548. https://doi.org/10.15294/sji.v11i2.6137
Elektro, J. T. (2024). K-means clustering method for customer segmentation based on potential purchases. 8(1), 83–90. https://doi.org/10.31961/eltikom.v8i1.1137
Model, M. (2021). JITE ( Journal of Informatics and Telecommunication Engineering ). 5(July). https://doi.org/10.31289/jite.v5i1.5182
No, V., Artiarno, A. M., Setiaji, P., & Nugraha, F. (2025). Edumatic : Jurnal Pendidikan Informatika K-Means Clustering untuk Segmentasi Pelanggan : Mengungkap Pola Pembelian Strategi Pemasaran pada Sektor Ritel. 9(2), 442–451. https://doi.org/10.29408/edumatic.v9i2.30336
Nugraha, R. D., Adelia, D. D., & Rivaldi, D. (2025). Segmentasi Pelanggan Retail Berbasis Perilaku menggunakan Algoritma K- Means Clustering. 5(2), 141–148. https://doi.org/10.47709/digitech.v5i2.6340
Pradina, D. A., Kurniawati, Y., Afwan, A. S., & Heikal, J. (2024). RFM Segmentation and K – Means Clustering of Skincare Product ( Case study Scarlett ). 6(2), 213–216. https://doi.org/0.55338/saintek.v6i2.3644
Putri, Y., Aldo, D., Ilham, W., Padang, U. T., & Cendekia, C. I. (2024). Retail Marketing Strategy Optimization : Customer Segmentation with Artificial Intelligence Integration and K-Means Clustering. 8(4), 2155–2163. https://doi.org/10.33395/sinkron.v8i4.14000
Robo, S., Melani, P. I., Fernatyanan, P., & Riandi, M. (2024). The Application of Customers Segmentation Using RFM Analysis Method and K-Means Clustering to Improve Marketing Strategy. 8(158), 200–211. https://doi.org/10.30645
Tabianan, K., & Velu, S. (2022). K-Means Clustering Approach for Intelligent Customer Segmentation Using Customer Purchase Behavior Data. 1–15. https://doi.org/10.3390/su14127243
Winaryanti, H. S., & Hadi, H. P. (2024). Customer Segmentation Using K-Means Clustering with RFM Method ( Case Study : PT . Dewangga Travindo Semarang ). 9(1), 147–160. https://doi.org/10.62411/jais.v9i1.10440
Yusak, A., Rumapea, N., Pratiwi, D., & Sari, S. (2024). Analisis Segmentasi Pelanggan Ritel Online Menggunakan K-Means Clustering Berdasarkan Model Recency , Frequency , Monetary ( RFM ). 6(3), 292–299. https://doi.org/0.55338/saintek.v6i3.4607