<![CDATA[Abstract: This study employs data science methodologies to analyze product reviews from the e-commerce sites Shopee and Tokopedia. The primary objective is to segment customers by grouping them according to their review patterns using clustering methods. The aim is to create customized retention strategies for each segment. The research applies K-Means clustering to group customers based on their product ratings, frequency of reviews, and sentiment analysis scores. The number of optimal clusters is determined through the Elbow Method, while the clustering performance is assessed using the Silhouette Score. Furthermore, Principal Component Analysis (PCA) is used to visualize the customer clusters in two dimensions. The findings reveal significant customer insights and provide a basis for developing tailored retention strategies to improve customer loyalty and satisfaction. Keywords: Data Science; Customer Segmentation; Clustering Techniques; K-Means Algorithm; Retention Strategies Abstrak: Penelitian ini menggunakan metodologi data science untuk menganalisis ulasan produk dari situs e-commerce Shopee dan Tokopedia. Tujuan utama dari penelitian ini adalah untuk mengelompokkan pelanggan berdasarkan pola ulasan mereka menggunakan metode clustering. Penelitian ini bertujuan untuk merancang strategi retensi yang disesuaikan dengan masing-masing segmen pelanggan. Dengan menggunakan algoritma K-Means, pelanggan dikelompokkan berdasarkan rating produk, frekuensi ulasan, dan skor sentimen. Jumlah klaster optimal ditentukan melalui Metode Elbow, sementara kinerja pengelompokan dinilai dengan menggunakan Silhouette Score. Selain itu, Principal Component Analysis (PCA) digunakan untuk memvisualisasikan segmen pelanggan dalam dua dimensi. Temuan dari penelitian ini memberikan wawasan penting tentang perilaku pelanggan dan menjadi dasar untuk mengembangkan strategi retensi yang lebih terarah guna meningkatkan loyalitas dan kepuasan pelanggan. Kata kunci: Data Science; Segmentasi Pelanggan; Teknik Clustering; Algoritma K-Means; Strategi Retensi]]>
