<![CDATA[Perkembangan perdagangan digital menuntut perusahaan ritel memahami perilaku pelanggan secara mendalam untuk menyusun strategi pemasaran yang efektif. Penelitian ini bertujuan mengelompokkan pelanggan berdasarkan kemiripan pola perilaku belanja konsumen menggunakan algoritma K-Means clustering melalui pendekatan Knowledge Discovery in Databases (KDD). Eksperimen dilakukan terhadap 1.000 records data dari Customer Shopping Trends Dataset dengan memfokuskan analisis pada empat atribut numerik utama, yaitu Age, Purchase Amount (USD), Previous Purchases, dan Review Rating. Tahap pra-pemrosesan data diterapkan secara konsisten menggunakan metode StandardScaler untuk menyetarakan skala dimensi antar-fitur guna menghindari bias dimensi. Berdasarkan hasil pengujian menggunakan Elbow Method, jumlah kelompok paling optimal yang terbentuk adalah sebanyak tiga klaster (). Proses profiling berbasis nilai rata-rata berhasil mengidentifikasi Klaster 0 sebagai segmen "Loyal High-Spenders (Mature)", Klaster 1 sebagai segmen "Satisfied New or Occasional Shoppers", dan Klaster 2 sebagai segmen "Dissatisfied Moderate Shoppers" yang memiliki risiko tinggi melakukan migrasi ke kompetitor (customer churn risk). Pengujian kualitas menggunakan Silhouette Score menghasilkan nilai akhir sebesar 0,187, yang mengindikasikan bahwa hasil klasterisasi berada pada kategori struktur yang lemah (weak structure). Karakteristik batas pemisah yang cair dan saling tumpang tindih (overlapping) ini secara objektif merepresentasikan sifat asli distribusi data perilaku belanja manusia di dunia nyata yang bersifat kontinu dan seragam. Hasil segmentasi berbasis data komputasi ini memberikan implikasi manajerial yang berharga bagi manajemen perusahaan ritel dalam merumuskan strategi pemasaran dan retensi pelanggan yang lebih personal serta tepat sasaran.]]>
Copyrights © 2026
