Article Per Year (5 Year)
p-Index From 2021 - 2026
0.23
P-Index
This Author published in this journals
All Journal Jurnal Komputer Teknologi Informasi Sistem Komputer (JUKTISI)
Ahmad Farhan Ramadhansyah
Universitas Halu Oleo
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Education Engineering

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

 1 
Analisis Perbandingan Algoritma K-Means, DBSCAN, dan Hierarchical Clustering untuk Segmentasi Pelanggan E-Commerce Berbasis RFM Ahmad Farhan Ramadhansyah; Wa Ode Cantika Nurhajratul Uswah; Rezky Aulia; Adha Mashur Sajiah
Jurnal Komputer Teknologi Informasi Sistem Komputer (JUKTISI) Vol. 5 No. 2 (2026): September 2026
Publisher : LKP KARYA PRIMA KURSUS

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.62712/juktisi.v5i2.1334

Abstract

Pertumbuhan e-commerce di Indonesia telah mendorong akumulasi data transaksi dalam jumlah yang sangat besar, yang apabila dikelola dengan tepat dapat menjadi aset strategis bagi perusahaan dalam memahami perilaku pelanggannya. Salah satu pendekatan yang efektif adalah segmentasi pelanggan berbasis model Recency, Frequency, dan Monetary (RFM). Penelitian ini membandingkan tiga algoritma clustering, yaitu K-Means, DBSCAN, dan Hierarchical Clustering, dalam segmentasi pelanggan e-commerce berbasis RFM. Data yang digunakan adalah Online Retail Dataset dari Kaggle yang memuat 541.909 transaksi periode Desember 2010 hingga Desember 2011. Setelah prapemrosesan, sebanyak 397.884 baris data bersih diagregasikan menjadi profil RFM untuk 4.338 pelanggan. Data ditransformasi menggunakan log1p, winsorizing 3×IQR, dan standarisasi StandardScaler sebelum proses clustering. Kualitas cluster dievaluasi menggunakan tiga metrik internal, yaitu Silhouette Score (SS), Davies-Bouldin Index (DBI), dan Calinski-Harabasz Index (CHI). Hasil evaluasi menunjukkan K-Means dengan K=3 unggul pada ketiga metrik (SS=0,337, DBI=1,048, CHI=3.632), diikuti Hierarchical Clustering (SS=0,320, DBI=1,105, CHI=3.275), dan DBSCAN dengan skor terendah (SS=0,294, CHI=2.395) meski tetap unggul dalam mendeteksi pelanggan VIP sebagai outlier. K-Means menghasilkan tiga segmen yang mudah diinterpretasikan, yaitu Champions (17,77%), Regular Customers (39,07%), dan Lost Customers (43,15%), menjadikannya algoritma paling optimal untuk segmentasi pelanggan e-commerce berbasis RFM.
Co-Authors Adha Mashur Sajiah Rezky Aulia Wa Ode Cantika Nurhajratul Uswah