<![CDATA[Segmentasi pelanggan merupakan salah satu strategi penting dalam mendukung pengambilan keputusan di bidang pemasaran, khususnya dalam memahami karakteristik dan perilaku konsumen. Salah satu metode yang banyak digunakan untuk segmentasi pelanggan adalah clustering. Penelitian ini bertujuan untuk menentukan jumlah cluster yang optimal pada dataset Mall Customers menggunakan algoritma K-Harmonic Means (KHM) serta mengevaluasi kualitas hasil clustering dengan Sum of Square Error (SSE) dan Davies-Bouldin Index (DBI). Dataset yang digunakan merupakan data sekunder Mall Customers yang diperoleh dari Kaggle dengan jumlah 200 data dan empat atribut, yaitu Gender, Age, Annual Income, dan Spending Score. Tahapan penelitian meliputi pelabelan data kategorik, normalisasi data, proses clustering menggunakan K-Harmonic Means, serta evaluasi jumlah cluster pada beberapa nilai K, yaitu 3, 5, 7, 9, dan 11. Hasil penelitian menunjukkan bahwa peningkatan jumlah cluster menghasilkan penurunan nilai SSE dan DBI. Nilai terbaik diperoleh pada K = 11 dengan SSE sebesar 15,10 dan DBI sebesar 0,01, yang menunjukkan tingkat kohesi dan separasi cluster yang paling baik dibandingkan jumlah cluster lainnya. Hasil tersebut menunjukkan bahwa kombinasi algoritma K-Harmonic Means dengan evaluasi menggunakan SSE dan DBI mampu menentukan jumlah cluster yang lebih optimal pada data pelanggan mall. Temuan penelitian ini dapat dimanfaatkan sebagai dasar dalam proses segmentasi pelanggan untuk mendukung penyusunan strategi pemasaran yang lebih efektif dan pengambilan keputusan berbasis data.Segmentasi pelanggan merupakan salah satu strategi penting dalam mendukung pengambilan keputusan di bidang pemasaran, khususnya dalam memahami karakteristik dan perilaku konsumen. Salah satu metode yang banyak digunakan untuk segmentasi pelanggan adalah clustering. Penelitian ini bertujuan untuk menentukan jumlah cluster yang optimal pada dataset Mall Customers menggunakan algoritma K-Harmonic Means (KHM) serta mengevaluasi kualitas hasil clustering dengan Sum of Square Error (SSE) dan Davies-Bouldin Index (DBI). Dataset yang digunakan merupakan data sekunder Mall Customers yang diperoleh dari Kaggle dengan jumlah 200 data dan empat atribut, yaitu Gender, Age, Annual Income, dan Spending Score. Tahapan penelitian meliputi pelabelan data kategorik, normalisasi data, proses clustering menggunakan K-Harmonic Means, serta evaluasi jumlah cluster pada beberapa nilai K, yaitu 3, 5, 7, 9, dan 11. Hasil penelitian menunjukkan bahwa peningkatan jumlah cluster menghasilkan penurunan nilai SSE dan DBI. Nilai terbaik diperoleh pada K = 11 dengan SSE sebesar 15,10 dan DBI sebesar 0,01, yang menunjukkan tingkat kohesi dan separasi cluster yang paling baik dibandingkan jumlah cluster lainnya. Hasil tersebut menunjukkan bahwa kombinasi algoritma K-Harmonic Means dengan evaluasi menggunakan SSE dan DBI mampu menentukan jumlah cluster yang lebih optimal pada data pelanggan mall. Temuan penelitian ini dapat dimanfaatkan sebagai dasar dalam proses segmentasi pelanggan untuk mendukung penyusunan strategi pemasaran yang lebih efektif dan pengambilan keputusan berbasis data.]]>
