<![CDATA[Seiring meningkatnya volume transaksi dalam industri ritel, kebutuhan untuk memahami perilaku konsumen secara mendalam menjadi semakin krusial. Penelitian ini bertujuan untuk menerapkan analisis keranjang belanja dan segmentasi pelanggan guna mengidentifikasi pola pembelian produk sekaligus memahami karakteristik pelanggan berdasarkan perilaku transaksional. Dataset yang digunakan adalah Retail Transaction Dataset dari Kaggle, berisi satu juta transaksi ritel tahun 2020 hingga 2024. Dataset diproses melalui tahapan pembersihan, transformasi format data, dan seleksi transaksi yang memenuhi kriteria minimal pembelian 2 produk per transaksi. Analisis dilakukan dengan algoritma FP-Growth dan K-Means. Hasil analisis FP-Growth menunjukkan adanya 16 aturan asosiasi dengan nilai support tertinggi sebesar 0.31%, confidence 7.35%, dan lift 0.89, dengan produk Toothpaste menjadi produk yang paling sering diasosiasikan. Segmentasi pelanggan dilakukan menggunakan algoritma K-Means dengan atribut demografis pelanggan, yaitu Payment Method, Customer Category, Promotion, Season, Discount Applied, dan Store Type. Jumlah klaster optimal ditentukan menggunakan Metode Elbow dan Davies-Bouldin Index (DBI). Hasil menunjukkan k = 3 sebagai jumlah klaster terbaik dengan nilai DBI sebesar 2.4724, yang menandakan pemisahan klaster cukup baik. Berdasarkan hasil segmentasi K-Means, diperoleh tiga klaster pelanggan dengan karakteristik berbeda, yaitu retiree, teenager, dan profesional. Pengelompokan klaster ini mencerminkan kecenderungan kategori dominan yang muncul pada atribut Customer Category. Integrasi kedua metode ini menghasilkan rekomendasi strategi pemasaran berbasis segmen yang lebih personal, seperti bundling sederhana untuk pelanggan retiree, promosi visual dan hadiah menarik untuk pelanggan teenager, dan sistem poin loyalitas untuk pelanggan profesional. Temuan ini diharapkan membantu pelaku industri ritel memahami perilaku pelanggan secara lebih mendalam dan menyusun strategi pemasaran yang lebih tepat sasaran]]>
Copyrights © 2025
