Komparasi K-Means dan Agglomerative Clustering Pada Segmentasi Pelanggan Ritel
Keywords:
Agglomerative Hierarchical Clustering, Analisis Rite, Data Mining, K-Means Clustering, RapidMinerAbstract
Segmentasi pelanggan merupakan strategi krusial dalam industri ritel modern untuk mengoptimalkan pemasaran berbasis data. Namun, mayoritas studi komparatif terdahulu hanya mengevaluasi Agglomerative Clustering pada satu konfigurasi linkage default, sehingga sensitivitas performa algoritma terhadap pemilihan kriteria jarak belum banyak dikuantifikasi secara eksplisit. Penelitian ini bertujuan mengisi kesenjangan tersebut dengan membandingkan kinerja K-Means terhadap empat varian Agglomerative Clustering (Single, Complete, Average, dan Ward Linkage) dalam mengelompokkan perilaku transaksi pelanggan, dievaluasi secara kuantitatif menggunakan Silhouette Score dan Davies-Bouldin Index. Lingkungan penelitian dibangun menggunakan platform RapidMiner untuk memproses Synthetic Customer Dataset yang terdiri dari 500 observasi, dengan validasi metrik dihitung secara konsisten melalui scikit-learn. Tahap pra-pemrosesan meliputi seleksi fitur dan normalisasi Z-transformation terhadap lima atribut numerik: Age, TotalSpend, AverageOrderValue, TotalOrders, dan LoyaltyPoints. Hasil eksperimen menunjukkan bahwa K-Means (Silhouette=0,165; DBI=1,592) secara konsisten mengungguli seluruh varian Agglomerative Clustering yang diuji. Single Linkage mengalami chaining effect yang tercermin dari Silhouette Score negatif (-0,123), meskipun nilai DBI-nya tampak rendah (0,777) akibat artefak klaster singleton yang hampir tidak memiliki dispersi internal. Complete (Silhouette=0,082; DBI=1,931), Average (Silhouette=0,108; DBI=1,792), dan Ward Linkage (Silhouette=0,111; DBI=1,927) berhasil menghindari chaining effect namun tetap menghasilkan kualitas partisi yang lebih rendah dibandingkan K-Means. Temuan ini menegaskan bahwa keberhasilan Agglomerative Clustering pada data ritel padat sangat bergantung pada pemilihan kriteria linkage, dan kontribusi utama penelitian ini adalah kuantifikasi eksplisit atas sensitivitas tersebut, termasuk pengungkapan bahwa Davies-Bouldin Index dapat menyesatkan ketika diterapkan pada distribusi klaster yang sangat tidak seimbang.
Downloads
References
[1] E. F. L. Awalina and W. I. Rahayu, “Optimalisasi strategi pemasaran dengan segmentasi pelanggan menggunakan penerapan K-Means clustering pada transaksi online retail,” Jurnal Teknologi dan Informasi, vol. 13, no. 2, pp. 122–137, Aug. 2023.
[2] S. Kumar, R. Rani, S. K. Pippal, and R. Agrawal, “Customer segmentation in e-commerce: K-means vs hierarchical clustering,” TELKOMNIKA (Telecommunication Computing Electronics and Control), vol. 23, no. 1, pp. 119–128, Feb. 2025.
[3] J. MacQueen, “Some methods for classification and analysis of multivariate observations,” in Proc. 5th Berkeley Symposium on Mathematical Statistics and Probability, vol. 1, 1967, pp. 281–297.
[4] N. A. Hidayati and U. Khasanah, “Shopping pattern segmentation: HAC versus K-Means performance analysis,” Bulletin of Applied Mathematics and Mathematics Education, vol. 5, no. 2, pp. 97–102, Oct. 2025.
[5] D. Ramadhani, Q. A'yuniyah, W. Elvira, N. Nazira, I. Ambarani, and S. F. Intan, “Analisa algoritma Naïve Bayes Classifier (NBC) untuk prediksi penjualan alat kesehatan,” Indonesian Journal of Informatic Research and Software Engineering (IJIRSE), vol. 3, no. 2, pp. 119–126, Sep. 2023.
[6] Y. N. F. D. Arifin and A. Zubair, “Segmentasi pelanggan e-commerce berdasarkan pola pembatalan dan pengembalian pesanan menggunakan K-Means,” JUSIFOR: Jurnal Sistem Informasi dan Informatika, vol. 4, no. 2, pp. 192–203, Dec. 2025.
[7] J. K. Sihombing and B. A. Wijaya, “Implementasi algoritma clustering dan classification dalam data mining: Systematic literature review terhadap tren dan tantangan terkini,” Jurnal Publikasi Sistem Informasi dan Manajemen Bisnis, vol. 4, no. 3, pp. 372–386, Sep. 2025.
[8] B. Apriyanto and S. L. M. Sitio, “Penerapan K-Means dalam menganalisis pola pembelian pelanggan pada data transaksi e-commerce,” bit-Tech, vol. 7, no. 3, pp. 790–797, Apr. 2025.
[9] D. T. Larose, Discovering Knowledge in Data: An Introduction to Data Mining. Hoboken, NJ, USA: Wiley & Sons, 2005.
[10] B. Ilham, Rahmaddeni, A. Putra, D. Najario, and M. A. Fakhrizal, “Segmentasi pelanggan: Optimizing K-Means performance with hybrid RFM and behavioral analytics for customer segmentation,” MALCOM: Indonesian Journal of Machine Learning and Computer Science, vol. 5, no. 4, Oct. 2025.
[11] J. Han, M. Kamber, and J. Pei, Data Mining: Concepts and Techniques, 3rd ed. Waltham, MA, USA: Morgan Kaufmann, 2011.
[12] A. Saputra and R. Yusuf, “Perbandingan algoritma DBSCAN dan K-MEANS dalam segmentasi pelanggan pengguna transportasi publik Transjakarta menggunakan metode RFM,” MALCOM: Indonesian Journal of Machine Learning and Computer Science, vol. 4, no. 4, Aug. 2024.
[13] Y. I. Muasaroh and Z. Fatah, “Implementasi RapidMiner dalam optimasi pembentukan kelas unggulan menggunakan K-Means clustering,” Journal of Advanced Research in Informatics, vol. 3, no. 1, 2024.
[14] P. Septiana Batirsi, “KMeans clustering menggunakan RapidMiner dalam segmentasi pelanggan dengan evaluasi Davies Bouldin Index untuk menentukan jumlah cluster paling optimal,” Bahari Teknik Informatika dan Sistem Informasi, vol. 6, no. 2, pp. 8–13, 2023
[15] U. Lathifah and R. D. Dana, “Implementasi metode linear regression untuk prediksi harga properti real estate menggunakan RapidMiner,” JATI (Jurnal Mahasiswa Teknik Informatika), vol. 8, no. 1, pp. 1129–1137, Feb. 2024.
Downloads
Published
Issue
Section
License
Copyright (c) 2026 Muhammad Abidillah, Rehandra Rehandra, Dian Ramadhani (Author)
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
