<![CDATA[Segmentasi pelanggan menjadi komponen krusial dalam e-commerce untuk mendukung personalisasi penawaran, meningkatkan loyalitas pelanggan, dan mendukung keputusan strategis. Penelitian ini mengusulkan optimasi algoritma KMeans dengan algoritma Firefly untuk meningkatkan akurasi segmentasi pelanggan berdasarkan model Recency, Frequency, dan Monetary (RFM). Algoritma K-Means dipilih karena efisiensinya dalam memproses data berskala besar, namun sering menghadapi keterbatasan dalam menentukan solusi optimal global akibat sensitivitas terhadap inisialisasi centroid. Algoritma Firefly diimplementasikan untuk mengatasi kelemahan tersebut melalui eksplorasi ruang solusi yang lebih luas dan kemampuan menghindari jebakan solusi lokal optimal. Data yang digunakan dalam penelitian ini adalah dataset transaksi retail daring yangmencakup lebih dari 500.000 entri. Tahapan penelitian meliputi pembersihan data, analisis eksplorasi data (EDA), klasterisasi dengan K-Means, Firefly, dan kombinasi keduanya. Hasil eksperimen menunjukkan bahwa kombinasi K-Means dan Firefly menghasilkan nilai Silhouette Score yang konsisten di atas 0,9 sepanjang 50 iterasi, dengan stabilitas yang lebih baik dibandingkan algoritma individu. Segmentasi menghasilkan lima klaster yang mencerminkan karakteristik pelanggan yang unik, seperti aktivitas transaksi, frekuensi, dan kontribusi moneter. Metode hibrida ini tidak hanya memperbaiki kualitas klaster tetapi juga memberikan hasil yang lebih stabil dan terstruktur. Kesimpulannya, kombinasi K-Means dan Firefly menawarkan pendekatan efektif dalam segmentasi pelanggan e-commerce, memberikan landasan yang lebih kuat untuk pengambilan keputusan pemasaran yang terarah dan strategi peningkatan loyalitas pelanggan.]]>
Copyrights © 2024
