<![CDATA[Pertumbuhan e-commerce di Indonesia telah mendorong akumulasi data transaksi dalam jumlah yang sangat besar, yang apabila dikelola dengan tepat dapat menjadi aset strategis bagi perusahaan dalam memahami perilaku pelanggannya. Salah satu pendekatan yang efektif adalah segmentasi pelanggan berbasis model Recency, Frequency, dan Monetary (RFM). Penelitian ini membandingkan tiga algoritma clustering, yaitu K-Means, DBSCAN, dan Hierarchical Clustering, dalam segmentasi pelanggan e-commerce berbasis RFM. Data yang digunakan adalah Online Retail Dataset dari Kaggle yang memuat 541.909 transaksi periode Desember 2010 hingga Desember 2011. Setelah prapemrosesan, sebanyak 397.884 baris data bersih diagregasikan menjadi profil RFM untuk 4.338 pelanggan. Data ditransformasi menggunakan log1p, winsorizing 3×IQR, dan standarisasi StandardScaler sebelum proses clustering. Kualitas cluster dievaluasi menggunakan tiga metrik internal, yaitu Silhouette Score (SS), Davies-Bouldin Index (DBI), dan Calinski-Harabasz Index (CHI). Hasil evaluasi menunjukkan K-Means dengan K=3 unggul pada ketiga metrik (SS=0,337, DBI=1,048, CHI=3.632), diikuti Hierarchical Clustering (SS=0,320, DBI=1,105, CHI=3.275), dan DBSCAN dengan skor terendah (SS=0,294, CHI=2.395) meski tetap unggul dalam mendeteksi pelanggan VIP sebagai outlier. K-Means menghasilkan tiga segmen yang mudah diinterpretasikan, yaitu Champions (17,77%), Regular Customers (39,07%), dan Lost Customers (43,15%), menjadikannya algoritma paling optimal untuk segmentasi pelanggan e-commerce berbasis RFM.]]>
Copyrights © 2026
