<![CDATA[Transformasi digital pada sektor bisnis menyebabkan peningkatan volume data transaksi penjualan yang dapat dimanfaatkan untuk mendukung pengambilan keputusan berbasis data. Namun, banyak perusahaan masih belum memanfaatkan data transaksi secara optimal untuk memperoleh informasi strategis. Penelitian ini bertujuan mengidentifikasi pola perilaku pelanggan berdasarkan data transaksi penjualan menggunakan teknik data mining guna mendukung strategi bisnis yang lebih efektif. Penelitian menggunakan dataset Online Retail II dengan pendekatan CRISP-DM yang meliputi tahap pemahaman bisnis, persiapan data, pemodelan, dan evaluasi. Data yang telah dibersihkan ditransformasikan menggunakan model Recency, Frequency, Monetary (RFM) untuk merepresentasikan perilaku pelanggan. Proses segmentasi dilakukan menggunakan algoritma K-Means dengan jumlah cluster optimal yang ditentukan melalui Elbow Method. Hasil penelitian menunjukkan bahwa jumlah cluster optimal adalah tiga cluster dengan nilai Silhouette Score sebesar 0,5321 yang menunjukkan kualitas cluster cukup baik. Cluster yang terbentuk terdiri atas pelanggan menengah, pelanggan tidak aktif, dan pelanggan loyal. Selain itu, segmentasi RFM menunjukkan bahwa sebagian besar pelanggan berada pada kategori pasif dan berisiko, sementara sebagian lainnya termasuk pelanggan setia dan pelanggan terbaik. Hasil penelitian membuktikan bahwa kombinasi model RFM dan algoritma K-Means mampu mengidentifikasi pola perilaku pelanggan secara efektif serta mendukung penyusunan strategi pemasaran yang lebih tepat sasaran dan berbasis data.]]>
Copyrights © 2026
