<![CDATA[Dalam era globalisasi yang semakin kompetitif, intensifikasi persaingan di dunia bisnis memerlukan strategi yang efektif untuk meraih keunggulan kompetitif. Segmentasi pelanggan merupakan langkah penting untuk memahami pasar dan menargetkan kelompok pelanggan yang tepat. Penelitian ini bertujuan untuk menganalisis performa algoritma K-Means dan DBSCAN dalam segmentasi pelanggan dengan pendekatan model RFM (Recency, Frequency, Monetary). Penelitian ini menggunakan lima dataset retail apparel yang berbeda untuk menguji dan membandingkan performa kedua algoritma clustering tersebut. Evaluasi hasil clustering dilakukan menggunakan matriks Silhouette Score dan Davies-Bouldin Index (DBI). Hasil penelitian menunjukkan bahwa kedua algoritma memiliki kelebihan dan kekurangan masing-masing tergantung pada karakteristik dataset. Kesimpulan dari penelitian ini adalah bahwa tidak ada satu algoritma yang secara universal lebih baik dari yang lain, tetapi pemilihan algoritma yang sesuai sangat bergantung pada karakteristik dataset yang digunakan. Hasil clustering paling baik yang dihasilkan K-Means dengan silhouette score 0.547 dan nilai indeks DBI 0.640 yang merupakan hasil dataset pertama. Sedangkan hasil clustering yang baik dihasilkan DBSCAN dengan silhoeutte score 0.767 dan nilai indeks DBI 0.731 yang merupakan hasil dataset kedua.]]>
Copyrights © 2024
