JUKI : Jurnal Komputer dan Informatika Volume 7 Nomor 1 Mei 2025 e-ISSN : 2722-4368 Penerapan K-Means Clustering untuk Segmentasi Konsumen E-Commerce Berdasarkan Pola Pembelian Hersa Safitri1.
Siti Putri Lenggo Geni2.
Felisitas Merry3.
Masna Wati 4.
Haviluddin5
1,2,3,4,5
Program Studi Informatika.
Fakultas Teknik.
Universitas Mulawarman.
Jl.
Sambaliung No.
Samarinda.
Kalimantan Timur.
e-mail: 1hersasafitri7@gmail.
com, 2lenggo.
geni0305@gmail.
com, 3felisitasmerry17@gmail.
masnawati@fkti.
id, 5haviluddin@unmul.
Abstrak.
Pertumbuhan pesat e-commerce di Indonesia mendorong perusahaan untuk memahami karakteristik konsumen secara lebih mendalam guna meningkatkan strategi pemasaran.
Penelitian ini bertujuan untuk mengelompokkan konsumen e-commerce berdasarkan pola pembelian menggunakan metode K-Means Clustering.
Segmentasi dilakukan dengan mempertimbangkan tiga variabel utama, yaitu frekuensi pembelian, nilai transaksi, dan waktu pembelian.
Data transaksi konsumen diolah dan dianalisis untuk menemukan pola-pola yang tersembunyi, kemudian ditentukan jumlah klaster optimal menggunakan metode Elbow.
Hasil penelitian menunjukkan bahwa konsumen dapat dikelompokkan ke dalam lima segmen yang memiliki karakteristik perilaku belanja yang berbeda-beda, mulai dari konsumen bernilai tinggi dan aktif, hingga konsumen pasif dengan nilai transaksi rendah.
Segmentasi ini memberikan wawasan penting bagi pelaku e-commerce dalam menyusun strategi pemasaran yang lebih tepat sasaran sesuai dengan karakter masing-masing segmen.
Kesimpulan dari penelitian ini menunjukkan bahwa penerapan K-Means Clustering efektif dalam membantu memahami perilaku konsumen dan dapat dijadikan dasar pengambilan keputusan bisnis yang lebih strategis.
Kata Kunci : K-Means Clustering.
Segmentasi Konsumen.
E-Commerce Abstract.
The rapid growth of e-commerce in Indonesia has pushed companies to gain a deeper understanding of consumer characteristics to improve their marketing strategies.
This study aims to cluster e-commerce consumers based on their purchasing patterns using the K-Means Clustering Segmentation is performed by considering three key variables: purchase frequency, transaction value, and purchase time.
Consumer transaction data is processed and analyzed to identify hidden patterns, and the optimal number of clusters is determined using the Elbow method.
The results show that consumers can be grouped into five segments with distinct shopping behavior characteristics, ranging from high-value and active consumers to passive consumers with low transaction values.
This segmentation provides valuable insights for e-commerce players in developing more targeted marketing strategies tailored to each segmentAos characteristics.
The conclusion of this study indicates that the application of K-Means Clustering is effective in helping to understand consumer behavior and can serve as a basis for making more strategic business Keywords: K-Means Clustering.
Consumer Segmentation.
E-Commerce PENDAHULUAN Pertumbuhan pesat industri e-commerce telah menyebabkan meningkatnya persaingan antar pelaku usaha dalam memperebutkan loyalitas konsumen.
Dalam menghadapi tantangan ini, perusahaan dituntut untuk memahami perilaku dan karakteristik konsumen secara lebih mendalam agar mampu menyusun strategi pemasaran yang efektif dan tepat sasaran .
Salah satu pendekatan yang terbukti bermanfaat dalam menganalisis perilaku konsumen adalah segmentasi pelanggan berbasis data historis transaksi.
Model Recency.
Frequency.
Monetary (RFM) menjadi salah satu teknik yang paling umum digunakan dalam segmentasi pelanggan karena kemampuannya dalam mengukur loyalitas dan nilai pelanggan secara kuantitatif .
, .
RFM menilai pelanggan berdasarkan waktu transaksi terakhir .
, frekuensi pembelian .
, dan total pengeluaran .
, yang selanjutnya dapat digunakan untuk Penerapan K-Means Clustering untuk Segmentasi Konsumen E-Commerce Berdasarkan Pola Pembelian Oleh : Hersa Safitri.
Siti Putri Lenggo Geni.
Felisitas Merry.
Masna Wati.
Haviluddin JUKI : Jurnal Komputer dan Informatika Volume 7 Nomor 1 Mei 2025 e-ISSN : 2722-4368 membedakan antara pelanggan bernilai tinggi dan rendah .
Untuk mendukung proses segmentasi, metode data mining seperti clustering sangat berperan.
Algoritma K-Means, sebagai salah satu metode clustering non-hierarki yang paling populer, digunakan untuk mengelompokkan pelanggan ke dalam beberapa klaster berdasarkan kesamaan karakteristik perilaku mereka .
, .
Keunggulan K-Means terletak pada kesederhanaan dan efisiensinya dalam mengolah data skala besar, meskipun pemilihan jumlah klaster yang optimal menjadi tantangan tersendiri .
Berbagai penelitian sebelumnya telah membuktikan efektivitas kombinasi model RFM dan algoritma K-Means dalam berbagai sektor.
Misalnya, pada PT Coversuper Indonesia Global, penerapan K-Means dan RFM berhasil mengelompokkan pelanggan ke dalam empat segmen berdasarkan perilaku belanja yang berbeda-beda .
Penelitian di Ova Gaming E-Sports Arena menunjukkan bahwa melalui segmentasi pelanggan, perusahaan dapat merancang strategi retensi berbasis prioritas nilai pelanggan .
Di sisi lain, penelitian .
dalam konteks marketplace Ralali.
com juga menegaskan bahwa RFM dapat membantu dalam mengidentifikasi pelanggan potensial dan setia.
Selain sektor e-commerce, penerapan K-Means juga digunakan secara luas dalam sektor lain, seperti asuransi .
, promosi pendidikan .
, dan bahkan pengelompokan wilayah rawan bencana .
, membuktikan fleksibilitas dan keampuhan metode ini dalam pengolahan data berbasis segmentasi.
Penelitian ini bertujuan untuk menerapkan metode K-Means Clustering dalam mengelompokkan pelanggan e-commerce berdasarkan atribut RFM untuk mendapatkan insight mengenai perilaku konsumen.
Hasil dari penelitian ini diharapkan dapat memberikan kontribusi nyata dalam penyusunan strategi pemasaran yang lebih personal dan berbasis data.
METODOLOGI PENELITIAN
Penelitian ini menggunakan pendekatan kuantitatif dengan metode eksploratif untuk mengidentifikasi dan mengelompokkan pelanggan e-commerce berdasarkan perilaku pembelian Tujuan utama dari penelitian ini adalah untuk menerapkan algoritma unsupervised learning, khususnya K-Means Clustering, dalam membentuk segmentasi pelanggan.
Segmentasi dilakukan berdasarkan tiga indikator utama yang dikenal sebagai RFM, yang merupakan pendekatan populer dalam analisis perilaku konsumen.
Dengan metode ini, diharapkan dapat diperoleh pemahaman yang lebih baik terhadap pola pembelian pelanggan, sehingga perusahaan dapat menyusun strategi pemasaran yang lebih efektif dan tepat sasaran.
Adapun tahapan yang dilakukan untuk menyelesaikan penelitian ini ditunjukkan pada Gambar 1.
Gambar 1.
Diagram Tahapan Penelitian Studi Literatur Segmentasi pelanggan merupakan pendekatan strategis yang penting dalam e-commerce untuk memahami perilaku konsumen dan menyusun strategi pemasaran yang tepat sasaran.
Salah satu teknik yang paling umum digunakan adalah kombinasi analisis RFM dengan algoritma K-Means Clustering.
Penerapan K-Means Clustering untuk Segmentasi Konsumen E-Commerce Berdasarkan Pola Pembelian Oleh : Hersa Safitri.
Siti Putri Lenggo Geni.
Felisitas Merry.
Masna Wati.
Haviluddin JUKI : Jurnal Komputer dan Informatika Volume 7 Nomor 1 Mei 2025 e-ISSN : 2722-4368 Penelitian .
membahas pemanfaatan analisis RFM (Recency.
Frequency.
Monetar.
sebagai strategi pendekatan terhadap konsumen marketplace Ralali.
Analisis ini mampu mengidentifikasi pelanggan loyal dan potensial berdasarkan data transaksi, serta memberikan landasan untuk merancang program promosi yang lebih efektif, seperti diskon atau hadiah kepada pelanggan setia .
Penelitian .
menerapkan metode clustering seperti K-Means.
K-Medoids, dan X-Means yang digabungkan dengan model RFM untuk segmentasi pelanggan toko retail UD.
XYZ.
Penelitian ini menghasilkan lima segmen pelanggan dengan validasi terbaik diberikan oleh metode K-Medoids berdasarkan nilai Davies Bouldin Index (DBI), yang menunjukkan keunggulan dalam membedakan karakteristik pelanggan.
Penelitian .
mengkaji implementasi K-Medoids clustering bersama analisis RFM untuk segmentasi pelanggan pada Toko Kosmetik Rahmadani.
Penggunaan teknik ini mempermudah pemilik usaha dalam memahami karakteristik pelanggan dan mengembangkan strategi pemasaran yang sesuai.
Hasilnya, empat cluster pelanggan terbentuk dengan validitas baik menggunakan metode silhouette coefficient.
Penelitian .
menggunakan kombinasi RFM dan K-Means Clustering untuk mengelompokkan lokasi promosi dalam penerimaan mahasiswa baru.
Segmentasi ini membantu institusi pendidikan dalam menentukan lokasi promosi yang lebih efektif berdasarkan perilaku dan kontribusi pendaftar sebelumnya, yang dikelompokkan menggunakan parameter transaksi.
Penelitian .
melakukan analisis terhadap lebih dari 60.
000 transaksi ritel untuk mengidentifikasi segmen pelanggan seperti Champions.
Loyal Customers, dan At Risk melalui model RFM.
Studi ini membuktikan bahwa penerapan RFM berbasis Python sangat berguna untuk meningkatkan strategi pemasaran berbasis perilaku pelanggan dan ROI.
Penelitian .
menerapkan metode Nayve Bayes untuk memprediksi pelanggan loyal berdasarkan hasil segmentasi RFM.
Penelitian ini menunjukkan akurasi tinggi sebesar 97,27%, dengan precision mencapai 100%, menjadikan pendekatan ini efektif untuk mendukung pengambilan keputusan berbasis data pelanggan dalam e-commerce.
Penelitian .
menunjukkan implementasi algoritma K-Means Clustering untuk analisis data pelanggan pada perusahaan asuransi.
Segmentasi pelanggan dilakukan berdasarkan usia, jenis kelamin, dan riwayat klaim untuk mendukung strategi bisnis yang lebih personal dan efisien.
Penelitian .
menyajikan tinjauan literatur tentang implementasi K-Means dalam data Mereka menekankan efektivitas algoritma ini dalam mengidentifikasi pola data besar meskipun memiliki kelemahan pada inisialisasi centroid dan sensitivitas terhadap outlier.
Beberapa optimasi telah diusulkan untuk meningkatkan akurasi algoritma ini.
Penelitian .
memanfaatkan algoritma K-Means Clustering untuk mengelompokkan daerah rawan kebakaran hutan dan lahan di Indonesia.
Dengan menggunakan model CRISP-DM dan indeks kejadian tahunan, penelitian ini memberikan visualisasi daerah berisiko tinggi, yang penting untuk perencanaan mitigasi bencana.
Penelitian .
di Ova Gaming E-Sports Arena menggunakan model RFM dan algoritma KMeans untuk mengelompokkan pelanggan ke dalam empat segmen: superstar, everyday, occasional, dan dormant.
Dengan dukungan metode Elbow dan Silhouette Coefficient, segmentasi yang dihasilkan dipakai untuk menyusun strategi retensi pelanggan, didukung oleh perhitungan Customer Lifetime Value (CLV) menggunakan pembobotan AHP.
Penelitian .
juga memanfaatkan data transaksi selama tiga tahun dan menerapkannya pada model RFM dan algoritma K-Means untuk perusahaan jasa penjualan mobil Jepang.
Segmentasi menghasilkan enam cluster dan hasil tersebut digunakan untuk menyusun strategi pemasaran baru berdasarkan karakteristik pelanggan dalam tiap cluster.
Penelitian .
pada PT.
Coversuper Indonesia Global menunjukkan efektivitas kombinasi RFM dan K-Means dalam mengidentifikasi empat segmen pelanggan.
Segmentasi ini mendukung Penerapan K-Means Clustering untuk Segmentasi Konsumen E-Commerce Berdasarkan Pola Pembelian Oleh : Hersa Safitri.
Siti Putri Lenggo Geni.
Felisitas Merry.
Masna Wati.
Haviluddin JUKI : Jurnal Komputer dan Informatika Volume 7 Nomor 1 Mei 2025 e-ISSN : 2722-4368 pengambilan keputusan perusahaan untuk memprioritaskan pelanggan potensial dan mengalokasikan sumber daya secara optimal.
Penelitian .
mengembangkan pendekatan segmentasi pelanggan tidak hanya berdasarkan data RFM tetapi juga atribut demografis seperti usia dan pendapatan.
Dalam studi pada Lantikya Store, hasil segmentasi digunakan untuk menyusun strategi pemasaran berbasis AHP dan CLV, dengan hasil berupa empat kelompok pelanggan yang berbeda secara demografis dan perilaku Sementara itu, .
mengusulkan optimasi algoritma K-Means dengan algoritma Firefly untuk mengatasi kelemahan K-Means yang sensitif terhadap inisialisasi centroid.
Pendekatan hybrid ini diterapkan pada data transaksi e-commerce berskala besar (>500.
000 entr.
, dan menunjukkan peningkatan akurasi serta stabilitas klasterisasi berdasarkan nilai Silhouette Score > 0.
Penelitian ini menggarisbawahi pentingnya pemilihan metode optimasi dalam meningkatkan kualitas segmentasi pelanggan.
Identifikasi Masalah Perkembangan pesat industri e-commerce telah menyebabkan meningkatnya jumlah pelanggan dengan karakteristik dan perilaku belanja yang sangat beragam.
Dalam menghadapi kondisi ini, perusahaan e-commerce sering kali menghadapi tantangan dalam memahami perilaku konsumen secara menyeluruh.
Data transaksi yang melimpah belum dimanfaatkan secara optimal untuk mendukung pengambilan keputusan strategis dalam pemasaran.
Perlakuan yang seragam terhadap seluruh konsumen tanpa memahami nilai dan kebiasaan belanja masing-masing pelanggan dapat menyebabkan tidak efektifnya strategi pemasaran, rendahnya tingkat retensi pelanggan, dan menurunnya loyalitas konsumen.
Selain itu, belum tersedianya sistem segmentasi yang berbasis data untuk mengelompokkan konsumen berdasarkan pola pembelian mengakibatkan perusahaan sulit dalam menentukan target pasar potensial dan dalam menyusun strategi pemasaran yang tepat sasaran.
Algoritma K-Means merupakan salah satu metode klasterisasi yang dapat digunakan untuk mengatasi hal tersebut, namun pemanfaatannya dalam konteks e-commerce masih perlu ditingkatkan, terutama dalam hal identifikasi segmen yang akurat dan dapat ditindaklanjuti secara strategis.
Pengumpulan Data Data yang digunakan dalam penelitian ini merupakan data transaksi pelanggan dari platform e-commerce, yang disimpan dalam format data Au.
csvAy.
Dataset ini mencakup informasi penting terkait aktivitas pembelian pelanggan seperti AuInvoiceNoAy.
AuCustomerIDAy.
AuInvoiceDateAy.
AuQuantityAy.
AuUnitPriceAy, dan AuCountryAy.
Data tersebut merepresentasikan riwayat transaksi pelanggan selama kurun waktu tertentu dan bersifat sekunder karena diperoleh dari sistem informasi perusahaan.
Dataset ini adalah kumpulan data transaksi yang terjadi antara tanggal 1 Desember 2010 hingga 9 Desember 2011 untuk sebuah perusahaan ritel online yang berbasis dan terdaftar di Inggris.
Perusahaan ini menjual produk berupa hadiah unik untuk berbagai acara dan momen khusus.
Mayoritas pelanggan perusahaan ini merupakan pedagang grosir, yang melakukan pembelian dalam jumlah besar untuk dijual kembali.
Adapun jumlah data yang didapat setelah pengumpulan data dalam waktu 1 tahun adalah 541.
909 data.
Preprocessing Data Preprocessing Data adalah proses mengolah data mentah menjadi data yang bersih dan terstruktur agar dapat digunakan dalam analisis atau oleh algoritma machine learning, melalui tahapan seperti pembersihan, transformasi, dan normalisasi data.
Pembersihan Data (Data Cleanin.
Beberapa proses pembersihan data yang dilakukan meliputi:
Menghapus transaksi yang tidak memiliki AuCustomerIDAy Penerapan K-Means Clustering untuk Segmentasi Konsumen E-Commerce Berdasarkan Pola Pembelian Oleh : Hersa Safitri.
Siti Putri Lenggo Geni.
Felisitas Merry.
Masna Wati.
Haviluddin JUKI : Jurnal Komputer dan Informatika Volume 7 Nomor 1 Mei 2025 e-ISSN : 2722-4368 Menghapus transaksi dengan Quantity O 0 atau UnitPrice O 0 .
arena dapat dianggap tidak vali.
Menghapus nilai duplikat jika ada Mengubah kolom InvoiceDate ke format AudatetimeAy untuk pemrosesan selanjutnya Mengecek apakah terdapat missing values dan duplikasi Normalisasi Data Nilai Recency.
Frequency, dan Monetary memiliki skala yang berbeda, maka data harus dinormalisasi sebelum dimasukkan ke algoritma K-Means.
Normalisasi dilakukan menggunakan Min-Max Scaling, sehingga seluruh nilai berada dalam rentang .
Analisis RFM Pembuatan Variabel RFM Setelah data bersih, dilakukan perhitungan tiga metrik penting dari RFM:
Recency (R): Mengukur jumlah hari sejak transaksi terakhir pelanggan hingga tanggal referensi .
ut-off dat.
Recency rendah menunjukkan pelanggan baru saja bertransaksi, artinya masih Frequency (F): Menghitung jumlah faktur unik .
yang dilakukan oleh pelanggan.
Semakin tinggi nilainya, semakin sering pelanggan bertransaksi.
Monetary (M): Total nilai uang yang dibelanjakan oleh pelanggan.
Dihitung dari Quantity y UnitPrice untuk seluruh transaksi pelanggan.
Nilai RFM dihitung untuk masing-masing pelanggan berdasarkan data historis transaksi yang Data yang dihasilkan merupakan tabel agregat dengan CustomerID sebagai indeks dan kolom Recency.
Frequency, serta Monetary.
Perhitungan Variabel RFM Sebelum melakukan segmentasi pelanggan dengan metode RFM langkah pertama adalah menghitung tiga metrik utama yang menjadi dasar analisis.
Recency mengukur seberapa lama sejak terakhir kali pelanggan melakukan transaksi, dengan cara mengurangi tanggal transaksi terakhir dari tanggal acuan analisis .
eference dat.
Frequency dihitung sebagai jumlah unik transaksi yang dilakukan oleh pelanggan, biasanya berdasarkan nomor invoice.
Sementara Monetary mencerminkan total nilai pembelian pelanggan dalam periode pengamatan.
Proses ini dilakukan dengan mengelompokkan data berdasarkan ID pelanggan (CustomerID) dan menerapkan agregasi terhadap kolom tanggal transaksi, nomor invoice, dan nilai total pembelian (TotalPric.
Pendekatan ini memungkinkan kita memahami perilaku pelanggan berdasarkan seberapa baru, sering, dan banyak mereka berbelanja.
Algoritma K-Means Penerapan K-Means Metode klasterisasi yang digunakan adalah K-Means Clustering, yaitu algoritma pembelajaran tidak terawasi yang bertujuan membagi data ke dalam sejumlah klaster yang telah ditentukan (K).
Tujuan dari klasterisasi ini adalah mengelompokkan pelanggan ke dalam segmensegmen berdasarkan kemiripan nilai RFM mereka.
Untuk menentukan nilai K yang optimal, digunakan Metode Elbow, yang melibatkan:
Menjalankan K-Means untuk berbagai nilai K .
ari 1 hingga .
Menggambar plot nilai inertia .
otal jarak kuadrat dalam klaste.
terhadap K Algoritma K-Means adalah metode klastering yang digunakan untuk mengelompokkan data ke dalam sejumlah k kelompok .
berdasarkan kemiripan karakteristik.
Algoritma ini bekerja dengan mencari pusat klaster .
secara iteratif, lalu mengelompokkan data ke klaster terdekat hingga pusat klaster stabil.
Penerapan K-Means Clustering untuk Segmentasi Konsumen E-Commerce Berdasarkan Pola Pembelian Oleh : Hersa Safitri.
Siti Putri Lenggo Geni.
Felisitas Merry.
Masna Wati.
Haviluddin JUKI : Jurnal Komputer dan Informatika Volume 7 Nomor 1 Mei 2025 e-ISSN : 2722-4368 Setelah jumlah klaster ditentukan, algoritma K-Means dijalankan untuk membagi pelanggan ke dalam klaster-klaster tersebut.
Model akan mengelompokkan data pelanggan berdasarkan kemiripan nilai RFM-nya.
Evaluasi Klaster Setelah proses klasterisasi dilakukan menggunakan algoritma K-Means, langkah evaluasi klaster menjadi penting untuk memastikan bahwa jumlah klaster yang dipilih benar-benar optimal dan hasil segmentasi yang diperoleh bermakna.
Dalam penelitian ini, evaluasi klaster dilakukan melalui dua pendekatan utama, yaitu metode Elbow dan interpretasi terhadap hasil RFM di setiap Pertama, metode Elbow digunakan untuk menentukan jumlah klaster yang paling sesuai.
Metode ini melibatkan penghitungan nilai inertia .
umlah kuadrat jarak dari tiap titik ke pusat klasterny.
untuk berbagai jumlah klaster (K).
Nilai inertia diplot terhadap nilai K, dan titik di mana penurunan inertia mulai melambat secara signifikan dianggap sebagai jumlah klaster yang optimal Kedua, evaluasi dilakukan dengan menganalisis karakteristik masing-masing klaster yang Nilai rata-rata dari metrik RFM untuk setiap klaster dihitung dan dibandingkan.
Hasilnya menunjukkan bahwa klaster yang terbentuk memiliki perbedaan yang cukup jelas dalam hal frekuensi transaksi, nilai pembelian, dan jarak waktu dari transaksi terakhir.
Hal ini mengindikasikan bahwa segmentasi pelanggan telah berhasil dilakukan secara efektif, karena masing-masing kelompok mencerminkan perilaku pelanggan yang berbeda.
HASIL DAN PEMBAHASAN
Pengumpulan Data Atribut AuCustomerIDAy digunakan sebagai identifikasi unik untuk masing-masing pelanggan, sedangkan atribut waktu dan nilai transaksi digunakan untuk menghitung indikator perilaku pelanggan seperti seberapa baru mereka bertransaksi (Recenc.
, seberapa sering mereka bertransaksi (Frequenc.
, dan seberapa banyak mereka membelanjakan uang (Monetar.
Karena data ini mencerminkan aktivitas pembelian aktual pelanggan, dataset ini sangat cocok untuk digunakan dalam analisis segmentasi berbasis algoritma pembelajaran mesin.
Adapun untuk 5 baris pertama dataset dapat dilihat pada Tabel 1 berikut.
Tabel 1.
Data Pembelian Pelanggan Data
Ke0
Invoice StockCo
Descripti White
Hanging Heart TLight
Holder
White
Metal
Lantern
Cream
Cupid
Hearts Coat
Hanger
Quanti InvoiceDa
12/1/2010
8:26
12/1/2010
8:26
12/1/2010
8:26
UnitPri Customer Country United Kingdo United Kingdo United Kingdo Penerapan K-Means Clustering untuk Segmentasi Konsumen E-Commerce Berdasarkan Pola Pembelian Oleh : Hersa Safitri.
Siti Putri Lenggo Geni.
Felisitas Merry.
Masna Wati.
Haviluddin JUKI : Jurnal Komputer dan Informatika Volume 7 Nomor 1 Mei 2025 e-ISSN : 2722-4368 Data Ke3 Invoice StockCo Descripti Knitted Union Flag Hot Water Bottle Red Woolly Hottie White Heart.
Baking Set 9
Piece Retrospot
Quanti InvoiceDa
12/1/2010
8:26
12/1/2010
8:26
UnitPri
Customer Country United Kingdo
United Kingdo` U
12/9/2011
12:50
France Preprocessing Data Setelah dilakukan serangkaian proses pembersihan dan pengolahan data terhadap dataset transaksi e-commerce, diperoleh total sebanyak 4.
339 pelanggan unik yang memiliki data transaksi valid dan lengkap.
Dari data tersebut, dilakukan perhitungan metrik RFM untuk masing-masing Nilai-nilai RFM tersebut kemudian dinormalisasi menggunakan metode StandardScaling agar setiap variabel berada dalam skala yang sebanding, sehingga dapat digunakan dalam proses klasterisasi menggunakan algoritma K-Means.
Perhitungan RFM Segmentasi pelanggan menggunakan metode RFM (Recency.
Frequency.
Monetar.
untuk memahami perilaku pelanggan berdasarkan data transaksi yang tersedia.
Nilai Recency dihitung sebagai selisih hari antara tanggal referensi .
atu hari setelah transaksi terakhir tercata.
dengan tanggal transaksi terakhir setiap pelanggan.
Frequency dihitung berdasarkan jumlah unik transaksi yang dilakukan oleh masing-masing pelanggan, sedangkan Monetary dihitung sebagai total nilai pembelian (TotalPric.
yang dihabiskan oleh pelanggan selama periode observasi.
reference_date = df["InvoiceDate"].
max() pd.
Timedelta.
rfm = df.
groupby("CustomerID").
"InvoiceDate": lambda x: .
eference_date - x.
max()).
days, # Recency "InvoiceNo": "nunique", # Frequency "TotalPrice": "sum", # Monetary )rfm.
columns = ["Recency", "Frequency", "Monetary"] Setelah dilakukan pengolahan data menggunakan metode RFM, diperoleh hasil statistik deskriptif dari masing-masing variabel yang ditampilkan pada Tabel berikut.
Tabel 2.
Hasil Perhitungan RFM Deskripsi Recency Frequency Monetary Penerapan K-Means Clustering untuk Segmentasi Konsumen E-Commerce Berdasarkan Pola Pembelian Oleh : Hersa Safitri.
Siti Putri Lenggo Geni.
Felisitas Merry.
Masna Wati.
Haviluddin JUKI : Jurnal Komputer dan Informatika Volume 7 Nomor 1 Mei 2025 e-ISSN : 2722-4368 Deskripsi Recency Frequency Monetary Std Min Penerapan K-Means Untuk menentukan jumlah klaster yang optimal, dilakukan analisis menggunakan metode Elbow.
Nilai inertia dihitung untuk berbagai jumlah klaster dari K = 2 hingga K = 10.
from yellowbrick.
cluster import KElbowVisualizer elbow = KElbowVisualizer(KMeans(), k=.
fm_scale.
Dari grafik Elbow yang dihasilkan, tampak bahwa penurunan inertia mulai melambat signifikan pada K = 5, sehingga nilai K = 5 dipilih sebagai jumlah klaster yang paling optimal.
Pemilihan ini didasarkan pada titik siku grafik, yang menunjukkan bahwa penambahan klaster setelah titik tersebut tidak memberikan penurunan inertia yang substansial.
Visualisasi dari penentuan jumlah klister ditunjukkan pada Gambar 2 berikut.
Gambar 2.
Visualisasi pencarian jumlah klaster Analisis dan Evaluasi Klaster Setelah algoritma K-Means dijalankan dengan K = 5, setiap pelanggan diklasifikasikan ke dalam salah satu dari lima klaster yang terbentuk.
Tabel ringkasan karakteristik tiap klaster pelanggan berdasarkan nilai rata-rata RFM ditampilkan pada Tabel 2.
Tabel 3.
Nilai rata-rata RFM Cluster Recency Frequency Monetary Penerapan K-Means Clustering untuk Segmentasi Konsumen E-Commerce Berdasarkan Pola Pembelian Oleh : Hersa Safitri.
Siti Putri Lenggo Geni.
Felisitas Merry.
Masna Wati.
Haviluddin JUKI : Jurnal Komputer dan Informatika Volume 7 Nomor 1 Mei 2025 e-ISSN : 2722-4368 Masing-masing klaster memiliki ciri khas perilaku pelanggan yang berbeda.
Adapun analisis dari hasil klaster-klaster tersebut, yaitu :
Klaster 0 terdiri dari pelanggan yang cukup aktif, dengan frekuensi belanja menengah dan nilai pembelian sedang.
Walaupun waktu terakhir transaksi mereka cukup lama .
ecency menenga.
, mereka masih menunjukkan nilai yang layak untuk dipertahankan melalui strategi aktivasi Klaster 1 mencakup pelanggan yang sudah lama tidak melakukan pembelian, frekuensinya rendah, dan kontribusi finansialnya pun kecil.
Segmen ini merupakan pelanggan tidak aktif dan bernilai rendah.
Strategi pemasaran agresif atau kampanye reaktivasi diperlukan untuk mengembalikan perhatian mereka.
Klaster 2 merupakan klaster dengan pelanggan paling bernilai.
Mereka baru saja melakukan transaksi .
ecency renda.
, sangat sering berbelanja .
requency tingg.
, dan menghabiskan uang dalam jumlah besar .
onetary sangat tingg.
Pelanggan dalam klaster ini adalah target utama untuk strategi retensi, loyalitas, dan personalisasi layanan premium.
Klaster 3 berisi pelanggan yang cukup bernilai.
Mereka memiliki loyalitas yang tinggi mirip seperti yang ada pada kluster 2, namun perbedaannya terletak pada frekuensi yang lebih rendah namun pengeluaran yang masih sama tinggi.
Klaster 4 berisi pelanggan yang aktif dengan nilai pembelian dan frekuensi menengah.
Mereka masih cukup baru dalam melakukan transaksi terakhir.
Pelanggan ini berpotensi dipromosikan menjadi pelanggan premium melalui pendekatan upselling, cross-selling, atau insentif loyalitas.
Visualisasi dari scatter plot tiga dimensi berdasarkan recency, frequency, dan juga monetary dapat dilihat pada Gambar 3 berikut.
Gambar 3.
Scatter Plot 3D Adapun untuk 5 baris pertama dari dataset RFM hasil pengelompokkan menggunakan perhitungan metrik RFM terdapat pada Tabel 3 berikut.
CustomerID Tabel 3.
Tabel Dataset RFM Recency Frequency Monetary Cluster Penerapan K-Means Clustering untuk Segmentasi Konsumen E-Commerce Berdasarkan Pola Pembelian Oleh : Hersa Safitri.
Siti Putri Lenggo Geni.
Felisitas Merry.
Masna Wati.
Haviluddin JUKI : Jurnal Komputer dan Informatika Volume 7 Nomor 1 Mei 2025 e-ISSN : 2722-4368 CustomerID Recency Frequency Monetary Cluster Hasil klasterisasi menggunakan metode RFM menghasilkan lima klaster dengan jumlah anggota yang bervariasi.
Klaster 4 merupakan klaster dengan jumlah anggota terbanyak, yaitu 038 pelanggan.
Selanjutnya, klaster 1 memiliki 1.
061 pelanggan, sedangkan klaster 0 mencakup 226 pelanggan.
Klaster 2 dan klaster 3 masing-masing hanya memiliki 8 dan 6 pelanggan, yang menunjukkan bahwa hanya sedikit pelanggan yang memiliki karakteristik RFM ekstrem yang unik, baik sangat tinggi maupun sangat rendah.
Ketimpangan jumlah antar klaster ini mencerminkan distribusi pelanggan yang tidak merata dalam hal perilaku belanja dan nilai kontribusinya terhadap Visualisasi jumlah data setiap masing-masing klaster ditunjukkan pada Gambar 4.
Gambar 4.
Visualisasi Jumlah Data Setiap Klaster Visualisasi hasil klasterisasi dalam ruang dua dimensi juga menunjukkan bahwa kelima klaster yang terbentuk memiliki distribusi yang cukup terpisah.
Hal ini menunjukkan bahwa model K-Means yang digunakan berhasil mengelompokkan pelanggan berdasarkan pola perilaku pembelian yang bermakna.
Hasil ini memperkuat bahwa pendekatan segmentasi pelanggan menggunakan kombinasi RFM dan K-Means Clustering efektif dalam mengungkap struktur segmen dalam data pelanggan e-commerce.
Dengan informasi yang diperoleh dari masing-masing klaster, perusahaan dapat merancang strategi pemasaran yang lebih terarah dan efisien.
Alih-alih menerapkan pendekatan seragam untuk semua pelanggan, perusahaan kini dapat menyesuaikan pendekatan mereka berdasarkan karakteristik unik dari setiap segmen.
Pendekatan ini tidak hanya dapat meningkatkan kepuasan pelanggan, tetapi juga dapat meningkatkan konversi penjualan dan loyalitas jangka panjang.
KESIMPULAN
Penelitian ini menunjukkan bahwa metode K-Means Clustering yang dikombinasikan dengan analisis RFM dalam segmentasi pelanggan e-commerce yang menghasilkan 5 klaster (Cluster 0Ae.
dengan karakteristik yang berbeda.
Cluster 0 terdiri dari pelanggan yang jarang bertransaksi dan sudah lama tidak membeli, namun memiliki nilai pembelian sangat tinggi .
igh spender yang tidak Cluster 1 mencakup pelanggan pasif dengan frekuensi dan nilai pembelian rendah serta kontribusi minimal.
Cluster 2 berisi pelanggan dengan perilaku pembelian sedang dalam hal recency, frequency, dan monetary.
Cluster 3 merupakan pelanggan terbaik yang sangat loyal, dengan frekuensi tinggi, nilai transaksi besar, dan waktu pembelian yang baru.
Cluster 4 menunjukkan pelanggan aktif dan bernilai, dengan recency rendah, frekuensi sedang hingga tinggi, serta nilai transaksi yang cukup Penelitian selanjutnya disarankan untuk mencoba metode lain dalam menentukan jumlah Penerapan K-Means Clustering untuk Segmentasi Konsumen E-Commerce Berdasarkan Pola Pembelian Oleh : Hersa Safitri.
Siti Putri Lenggo Geni.
Felisitas Merry.
Masna Wati.
Haviluddin JUKI : Jurnal Komputer dan Informatika Volume 7 Nomor 1 Mei 2025 e-ISSN : 2722-4368 klaster, seperti Silhouette Score atau Davies-Bouldin Index, guna membandingkan kualitas segmentasi yang dihasilkan, terutama jika data memiliki pola yang lebih kompleks.
DAFTAR PUSTAKA