Klasterisasi Data Wholesale Customers Menggunakan K-Means++ Clustering

Abstract

Segmentasi pelanggan merupakan proses pengelompokan pelanggan berdasarkan karakteristik dan perilaku pelanggan. Segmentasi dilakukan dengan menganalisis berbagai jenis informasi tentang pelanggan seperti demografis, geografis, dan perilaku. Manfaat segmentasi pelanggan, yaitu mempelajari dan memahami perilaku pelanggan. Penelitian ini bertujuan mengetahui jumlah klaster (k) optimal dari hasil klasterisasi dan menganalisis karakteristik pelanggan dari klaster yang terbentuk. Data yang digunakan adalah data Wholesale Customers yang didapatkan dari UCI Machine Learning Repository. Data tersebut berisi pengeluaran tahunan pelanggan dari distributor grosir untuk berbagai barang. Metode klasterisasi dalam penelitian ini menggunakan algoritma K-Means++ Clustering dan jumlah klaster (k) optimal didapatkan menggunakan metode Silhouette Coefficient. Hasil penelitian menunjukan bahwa k optimal yang didapatkan adalah k = 2 dengan nilai Silhouette Coefficient sebesar 0.7390. Penelitian ini menghasilkan 2 klaster, yaitu “Pelanggan dengan Pengeluaran Besar” dan “Pelanggan dengan Pengeluaran Kecil”. Jumlah pelanggan pada klaster 1 dan klaster 2 sebanyak 14 dan 426 pelanggan. Klaster 1 memiliki rata-rata pengeluaran lebih besar pada setiap atribut dibandingkan dengan klaster 2. Pengeluaran terbesar pada klaster 1 dan klaster 2 terdapat pada atribut Milk dengan rata-rata pengeluaran sebesar 33847.79 dan atribut Fresh dengan rata-rata pengeluaran sebesar 11531.44.