Penerapan Algoritma K-Means Dalam Menentukan Segmentasi Pelanggan Berdasarkan Data Transaksi E-Commerce

• LAILY NURIYA

---

ABSTRAK

ABSTRAK

Perkembangan e-commerce telah menghasilkan data transaksi pelanggan dalam jumlah besar yang memiliki potensi tinggi untuk mendukung pengambilan keputusan bisnis. Namun, data tersebut sering kali belum dimanfaatkan secara optimal, khususnya dalam memahami perbedaan karakteristik dan perilaku pelanggan. Oleh karena itu, diperlukan suatu metode yang mampu mengelompokkan pelanggan ke dalam segmensegmen yang homogen berdasarkan pola transaksi yang dimiliki. Penelitian ini bertujuan untuk menerapkan algoritma K-Means dalam menentukan segmentasi pelanggan berdasarkan data transaksi e-commerce. Data yang digunakan meliputi informasi transaksi pelanggan yang kemudian diolah melalui tahap preprocessing, seperti pembersihan data dan transformasi variabel. Variabel yang digunakan dalam proses clustering merepresentasikan perilaku transaksi pelanggan, yaitu recency, frequency, dan monetary (RFM). Algoritma K-Means digunakan untuk mengelompokkan pelanggan ke dalam beberapa klaster berdasarkan tingkat kemiripan karakteristiknya. Hasil penelitian menunjukkan bahwa algoritma K-Means mampu membentuk segmentasi pelanggan menjadi 4 cluster, di mana setiap cluster memiliki karakteristik perilaku transaksi yang berbeda. Segmentasi yang dihasilkan dapat mengidentifikasi kelompok pelanggan berisiko, pelanggan hilang, pelanggan potensi, dan pelanggan loyal. Informasi ini dapat dimanfaatkan oleh perusahaan e-commerce untuk merancang strategi pemasaran yang lebih tepat sasaran, meningkatkan loyalitas pelanggan, serta mengoptimalkan upaya retensi pelanggan. Dengan demikian, penerapan algoritma K-Means dalam segmentasi pelanggan berbasis data transaksi e-commerce dapat menjadi solusi yang efektif dalam mendukung pengambilan keputusan bisnis berbasis data dan meningkatkan daya saing perusahaan di tengah persaingan industri e-commerce yang semakin ketat

KATA KUNCI

segmentasi pelanggan,Algoritma K-Means Clustering,analisis RFM,E-Commerce,Data Mining

---

DAFTAR PUSTAKA

DAFTAR PUSTAKA

[1] B. Apriyanto and S. L. M. Sitio, “Penerapan K-Means dalam Menganalisis Pola Pembelian Pelanggan Pada Data Transaksi ECommerce,” bit-Tech, vol. 7, no. 3, pp. 790–797, Apr. 2025, doi: 10.32877/bt.v7i3.2195. [2] A. Mahesa Putra, C. Saputra, R. Hidayatullah, S. Irsandi, and P. Teknik Informatika, “Penerapan Algoritma K-Means Clustering dalam Menganalisis Tren Konsumen E-Commerce,” Desember, vol. 6, no. 2, 2025. [3] Sekar Setyaningtyas, B. Indarmawan Nugroho, and Z. Arif, “TINJAUAN PUSTAKA SISTEMATIS: PENERAPAN DATA MINING TEKNIK CLUSTERING ALGORITMA K-MEANS,” Jurnal Teknoif Teknik Informatika Institut Teknologi Padang, vol. 10, no. 2, pp. 52–61, Oct. 2022, doi: 10.21063/jtif.2022.v10.2.52-61. [4] R. D. Nugraha, D. D. Adelia, and D. Rivaldi, “Segmentasi Pelanggan Retail Berbasis Perilaku menggunakan Algoritma K-Means Clustering,” Digital Transformation Technology, vol. 5, no. 2, pp. 141–148, Oct. 2025, doi: 10.47709/digitech.v5i2.6340. [5] Andy Hermawan et al., “Optimalisasi Strategi Pemasaran Melalui Analisis RFM pada Dataset Transaksi Ritel Menggunakan Python,” Jurnal Manajemen Riset Inovasi, vol. 2, no. 4, pp. 254–267, Oct. 2024, doi: 10.55606/mri.v2i4.3246. [6] N. Eka Pratiwi, L. Suryadi, F. Ardhy, and P. Riswanto, “PENERAPAN DATA MINING PREDIKSI PENJUALAN MEBEL TERLARIS MENGGUNAKAN METODE K-NEAREST NEIGHBOR(K-NN) (STUDI KASUS?: TOKO ZERITA MEUBEL),” 2022. [7] A. Octaviani and P. Dewi, “Big Data di Perpustakaan dengan Memanfaatkan Data Mining,” ANUVA, vol. 4, no. 2, pp. 223–230, 2020. [8] R. Saputra and A. J. P. Sibarani, “Implementasi Data Mining Menggunakan Algoritma Apriori Untuk Meningkatkan Pola Penjualan Obat,” 2020. [Online]. Available: http://jurnal.mdp.ac.id [9] P. H. Suharti, A. S. Suryandari, and R. N. Amalia, “ANALISIS KINERJA MODUL PENGENDALI TEKANAN UDARA PCT-14 BERBASIS PLC DENGAN BERBAGAI METODA TUNING,” Sebatik, vol. 26, no. 2, pp. 420–427, Dec. 2022, doi: 10.46984/sebatik.v26i2.2134. [10] B. T. Kristanti, A. Junaidi, and E. P. Mandyartha, “IMPLEMENTASI KMEANS CLUSTERING DALAM SEGMENTASI PELANGGAN BERDASARKAN USIA, PENDAPATAN, DAN MODEL RFM (STUDI KASUS: LANTIKYA STORE JOMBANG),” Jurnal Informatika dan Teknik Elektro Terapan, vol. 12, no. 3, Aug. 2024, doi: 10.23960/jitet.v12i3.4677. 38 [11] N. Hendrastuty, “Penerapan Data Mining Menggunakan Algoritma KMeans Clustering Dalam Evaluasi Hasil Pembelajaran Siswa,” Jurnal Ilmiah Informatika dan Ilmu Komputer (JIMA-ILKOM), vol. 3, no. 1, pp. 46–56, Mar. 2024, doi: 10.58602/jima-ilkom.v3i1.26. [12] F. Nurdiyansyah, I. Akbar, A. History, and C. Author, “Jurnal Teknologi dan Manajemen Informatika Implementasi Algoritma K-Means untuk Menentukan Persediaan Barang pada Poultry Shop Article Info ABSTRACT,” vol. 7, no. 2, pp. 86–94, 2021, [Online]. Available: http://http://jurnal.unmer.ac.id/index.php/jtmi [13] M. Sholeh and K. Aeni, “STRING (Satuan Tulisan Riset dan Inovasi Teknologi) PERBANDINGAN EVALUASI METODE DAVIES BOULDIN, ELBOW DAN SILHOUETTE PADA MODEL CLUSTERING DENGAN MENGGUNAKAN ALGORITMA K MEANS.” [Online]. Available: https://archive.ics.uci.edu/ml/datasets/Trave [14] R. Siagian, P. S. Pahala Sirait, and A. Halima, “E-Commerce Customer Segmentation Using K-Means Algorithm and Length, Recency, Frequency, Monetary Model,” JOURNAL OF INFORMATICS AND TELECOMMUNICATION ENGINEERING, vol. 5, no. 1, pp. 21–30, Jul. 2021, doi: 10.31289/jite.v5i1.5182. [15] D. A. Awaliyah, Budi Prasetiyo, R. Muzayanah, and A. D. Lestari, “Optimizing Customer Segmentation in Online Retail Transactions through the Implementation of the K-Means Clustering Algorithm,” Scientific Journal of Informatics, vol. 11, no. 2, pp. 539–548, Jun. 2024, doi: 10.15294/sji.v11i2.6137