<![CDATA[Penelitian berjudul "Segmentasi Pelanggan Berdasarkan Pendapatan dan Skor Pengeluaran Menggunakan Metode K-Means" bertujuan untuk mengoptimalkan strategi pemasaran dengan membagi pelanggan ke dalam segmen yang terstruktur dan bermakna. Analisis perilaku pelanggan menjadi hal penting dalam lingkungan bisnis yang kompetitif, terutama di sektor ritel, di mana pemahaman terhadap pola pengeluaran sangat penting untuk pengambilan keputusan yang efektif. Studi ini menggunakan dataset Mall_Customers, yang mencakup variabel seperti Pendapatan Tahunan dan Skor Pengeluaran, sebagai dasar segmentasi. Algoritma K-Means dipilih karena efisiensinya dan kemampuannya menangani data numerik, memberikan wawasan tentang perilaku belanja pelanggan melalui analisis klaster. Penelitian ini menjelaskan tahapan preprocessing, termasuk normalisasi data dan seleksi fitur, yang sangat penting untuk memastikan hasil klasterisasi yang akurat. Jumlah klaster optimal ditentukan menggunakan Davies-Bouldin Index, menghasilkan lima klaster yang berbeda, masing-masing dengan karakteristik pendapatan dan pola pengeluaran yang unik. Klaster-klaster ini mencakup kategori pelanggan penting, seperti kelompok berpendapatan tinggi tetapi pengeluaran rendah, serta segmen premium dengan pengeluaran tinggi. Hasil penelitian menunjukkan efektivitas K-Means dalam segmentasi pelanggan untuk pemasaran yang lebih terarah. Wawasan yang diperoleh, misalnya, dapat digunakan untuk merancang strategi promosi, alokasi sumber daya, dan interaksi pelanggan yang dipersonalisasi. Selain itu, penelitian ini mengakui beberapa tantangan, seperti sensitivitas terhadap pemilihan centroid awal dan penentuan jumlah klaster yang ideal, dengan menawarkan penyesuaian metodologi untuk mengatasi kendala tersebut. Penelitian ini memberikan kontribusi pada pemahaman akademis tentang aplikasi data mining di sektor ritel, menyediakan kerangka kerja praktis untuk memanfaatkan data pelanggan.]]>
