<![CDATA[Pertumbuhan data transaksi pada sektor retail menghasilkan informasi yang dapat dimanfaatkan untuk memahami perilaku pelanggan secara lebih mendalam. Penelitian ini bertujuan melakukan segmentasi pelanggan menggunakan teknik clustering dengan algoritma K-Means berbasis Recency, Frequency, dan Monetary (RFM) pada dataset Online Retail II. Tahapan penelitian meliputi pembersihan data, penanganan nilai hilang, penghapusan duplikasi, penanganan outlier menggunakan metode Interquartile Range (IQR), serta pembentukan fitur RFM. Data yang telah diproses kemudian dinormalisasi dan dikelompokkan menggunakan algoritma K-Means. Penentuan jumlah cluster dilakukan menggunakan Elbow Method, sedangkan kualitas hasil clustering dievaluasi menggunakan Silhouette Score. Hasil penelitian menunjukkan bahwa jumlah cluster optimal adalah tiga kelompok pelanggan dengan nilai Silhouette Score sebesar 0,4596 yang menunjukkan kualitas pemisahan cluster yang cukup baik. Segmentasi yang dihasilkan terdiri atas VIP Customer, Regular Customer, dan At Risk Customer. Kelompok VIP memiliki frekuensi transaksi dan nilai pembelian yang tinggi, sedangkan kelompok At Risk menunjukkan aktivitas transaksi yang rendah dan berpotensi berhenti berbelanja. Hasil penelitian ini dapat dimanfaatkan sebagai dasar penyusunan strategi pemasaran yang lebih tepat sasaran, peningkatan loyalitas pelanggan, serta pengambilan keputusan bisnis berbasis data pada perusahaan retail.]]>
Copyrights © 2026
