Teks

SEGMENTASI PELANGGAN BERBASIS MODEL RECENCY, FREQUENCY, AND MONETARY (RFM) MENGGUNAKAN CLUSTERING ENSEMBLE SELECTION (CES)

---

Segmentasi pelanggan merupakan strategi penting dalam pengambilan
keputusan bisnis, terutama dalam sektor ritel online yang dihadapkan pada data
transaksi berskala besar. Teknik analisis yang tepat dan efisien diperlukan untuk
mengatasi kompleksitas data ini, salah satunya melalui metode data mining seperti
clustering. Akan tetapi, algoritma clustering seperti K-Means dan K-Medoids
memiliki keterbatasan masing-masing. K-Means sensitif terhadap outlier dan
inisialisasi centroid, sementara K-Medoids cenderung kurang efisien pada data
skala besar karena kompleksitasinya yang lebih tinggi dibandingkan K-Means.
Oleh karena itu, penelitian ini bertujuan menerapkan Clustering Ensemble Selection
(CES) sebagai pendekatan alternatif yang menggabungkan keunggulan kedua
algoritma tersebut untuk meningkatkan kualitas hasil segmentasi.
Penelitian ini menggunakan Customer Segmentation Dataset yang bersumber
dari platform Kaggle yang kemudian melalui tahap preprocessing secara
menyeluruh. CES diawali dengan pembangkitan base clusterings menggunakan
algoritma K-Means dan K-Medoids dengan variasi jumlah klaster (k=2 hingga
k=10). Selanjutnya, model diseleksi menggunakan pendekatan multimetrik dan
menghasilkan delapan model terbaik. Model-model ini digabungkan melalui fungsi
konsensus Cluster-based Similarity Partitioning Algorithm (CSPA). Coassociation matrix yang dihasilkan lalu ditransformasi menggunakan Spectral
Embedding sebelum akhirnya dilakukan consensus clustering dengan
menggunakan algoritma K-Means.
Hasil penelitian ini menunjukkan terbentuknya tiga segmen pelanggan antara
lain Potential, At Risk, dan High Value. Evaluasi internal membuktikan bahwa
consensus clustering dengan konfigurasi k=3 menghasilkan performa terbaik
dengan nilai DBI mencapai 0.482149 dan Silhouette Score sebesar 0.678303. Nilai
ini mengindikasikan bahwa struktur klaster yang terbentuk bersifat kompak dan
terpisah dengan baik. Penelitian ini membuktikan bahwa penerapan CES menjadi
pendekatan yang efektif dalam meningkatkan kualitas segmentasi pelanggan dalam
konteks data transaksi yang digunakan dalam penelitian ini

---

Ketersediaan

S00022.25

RF TI.S00022.25 Eli s

My Library (Referensi)

Tersedia

Informasi Detail

Judul Seri

-

No. Panggil

RF TI.S00022.25 Eli s

Penerbit

Paguyangan : Universitas Muhammadiyah Brebes., 2025

Deskripsi Fisik

xxv,135hlm.;30cm

Bahasa

Indonesia

ISBN/ISSN

-

Klasifikasi

TI.S00022.25

Tipe Isi

-

Tipe Media

-

Tipe Pembawa

-

Edisi

-

Subjek

k-means
K-Medoids
Clustering Ensemble Selection (CES)
Segmentasi Pelanggan

Info Detail Spesifik

Dilengkapi CD

Pernyataan Tanggungjawab

Amira Elistya Ardhin 21.01.0.0049 Tugas Akhir diajukan sebagai salah satu syarat untuk memperoleh gelar Sarjana

Versi lain/terkait

Lampiran Berkas

Komentar

---

Anda harus masuk sebelum memberikan komentar