ANALISIS SEGMENTASI PELANGGAN MENGGUNAKAN ALGORITMA K-MEANS CLUSTERING BERDASARKAN FAKTOR UMUR, PENDAPATAN, DAN SKOR PENGELUARAN
Keywords:
Data mining, K-Means clustering, segmentasi pelanggan, pendapatan, skor pengeluaranAbstract
Penelitian ini bertujuan untuk menganalisis segmentasi pelanggan menggunakan algoritma K-Means Clustering berdasarkan tiga faktor utama, yaitu umur, pendapatan tahunan, dan skor pengeluaran. Data yang digunakan berasal dari Mall Customers Dataset yang terdiri dari 200 data pelanggan. Tahapan penelitian meliputi data preprocessing, normalisasi data, penerapan algoritma K-Means, serta evaluasi menggunakan Elbow Method untuk menentukan jumlah cluster optimal.
Hasil penelitian menunjukkan bahwa jumlah cluster optimal adalah empat (k = 4). Setiap cluster memiliki karakteristik yang berbeda, yaitu: Cluster 0 pelanggan berusia dewasa dengan pendapatan sedang dan pola pengeluaran moderat, Cluster 1 pelanggan muda produktif dengan pendapatan tinggi dan pengeluaran tinggi, Cluster 2 pelanggan muda berpendapatan menengah dengan pengeluaran cukup tinggi, dan Cluster 3 pelanggan berpendapatan tinggi tetapi pengeluaran rendah. Variabel Annual Income dan Spending Score terbukti paling berpengaruh dalam pembentukan cluster.
Penelitian ini menunjukkan bahwa algoritma K-Means efektif untuk mengidentifikasi pola perilaku pelanggan dan membantu perusahaan dalam merancang strategi pemasaran yang lebih tepat sasaran. Hasilnya dapat dimanfaatkan untuk meningkatkan loyalitas pelanggan dan mendukung pengambilan keputusan berbasis data.
