Penerapan Metode K-Means Clustering Dalam Analisis Profil Konsumen Untuk Strategi Manajemen Pemasaran
DOI:
https://doi.org/10.53513/jursi.v5i1.12492Keywords:
Segmentasi Konsumen, Data Mining, K-Means Clustering, Profil Pelanggan, Manajemen PemasaranAbstract
Segmentasi konsumen merupakan pendekatan penting dalam manajemen pemasaran untuk memahami karakteristik pelanggan dan merumuskan strategi yang tepat sasaran. Namun, tidak semua organisasi memiliki data transaksi yang lengkap, sehingga pemanfaatan data profil pelanggan non-transaksional menjadi alternatif yang relevan. Penelitian ini bertujuan untuk melakukan segmentasi konsumen berdasarkan profil pelanggan menggunakan metode K-Means Clustering sebagai dasar penyusunan strategi manajemen pemasaran. Penelitian ini menggunakan pendekatan kuantitatif dengan teknik data mining. Dataset yang digunakan adalah dataset publik Customers Purchase Behavior dari Kaggle yang terdiri dari 72.637 data pelanggan. Variabel yang dianalisis meliputi lifestage dan premium customer. Data kategorik ditransformasikan melalui proses encoding dan dinormalisasi sebelum diterapkan algoritma K-Means Clustering. Hasil penelitian menunjukkan bahwa konsumen dapat dikelompokkan ke dalam tiga segmen utama dengan karakteristik yang berbeda berdasarkan tahapan kehidupan dan preferensi harga. Segmentasi ini mencerminkan perbedaan sensitivitas harga dan potensi nilai pelanggan pada masing-masing kelompok. Penelitian ini menyimpulkan bahwa metode K-Means Clustering efektif digunakan untuk segmentasi konsumen berbasis data profil pelanggan non-transaksional. Hasil segmentasi dapat dimanfaatkan sebagai dasar pengambilan keputusan dalam penyusunan strategi manajemen pemasaran yang lebih terarah dan berbasis data.
References
M. Abdul, M. Mushafiq, S. Khan, and Z. Ali, “Journal of Retailing and Consumer Services RFM-based repurchase behavior for customer classification and segmentation,” J. Retail. Consum. Serv., vol. 61, no. March, p. 102566, 2021, doi: 10.1016/j.jretconser.2021.102566.
K. Tabianan and S. Velu, “K-Means Clustering Approach for Intelligent Customer Segmentation Using Customer Purchase Behavior Data,” pp. 1–15, 2022.
M. Gagolewski, M. Bartoszuk, and A. Cena, “Are cluster validity measures ( in ) valid ?,” vol. 581, p. 3220, 2021.
P. Anitha and M. M. Patil, “RFM model for customer purchase behavior using K-Means algorithm,” J. King Saud Univ. - Comput. Inf. Sci., vol. 34, no. 5, pp. 1785–1792, 2022, doi: 10.1016/j.jksuci.2019.12.011.
J. Zhou, J. Wei, and B. Xu, “Journal of Retailing and Consumer Services,” J. Retail. Consum. Serv., vol. 61, no. March, p. 102588, 2021, doi: 10.1016/j.jretconser.2021.102588.
A. Ullah, M. I. Mohmand, H. Hussain, S. Johar, and I. Khan, “Customer Analysis Using Machine Learning-Based,” 2023.
D. Fitriani, T. N. Padilah, and B. N. Sari, “Penerapan Algoritma K-Means Dalam Pengelompokan Kesejahteraan Rakyat Berdasarkan Kecamatan di Kabupaten Karawang,” Progresif J. Ilm. Komput., vol. 17, no. 2, p. 73, 2021, doi: 10.35889/progresif.v17i2.649.
M. A. Mahendra, M. Firmansyah, and G. Triyono, “Design and Construction of Employee Recruitment System Application using Profile Matching Method,” INOVTEK Polbeng-Seri Inform., vol. 10, no. 2, pp. 762–771, 2025.
N. Padilla and E. Ascarza, “Overcoming the Cold Start Problem of Customer Relationship Management Using a Probabilistic Machine Learning Approach,” vol. 58, no. 5, pp. 981–1006, 2021, doi: 10.1177/00222437211032938.
M. Rezaei, P. Fränti, and S. Member, “Set Matching Measures for External Cluster Validity,” vol. 4347, no. c, pp. 1–14, 2016, doi: 10.1109/TKDE.2016.2551240.
J. Joung and H. Kim, “International Journal of Information Management Interpretable machine learning-based approach for customer segmentation for new product development from online product reviews,” Int. J. Inf. Manage., vol. 70, no. January, p. 102641, 2023, doi: 10.1016/j.ijinfomgt.2023.102641.
Downloads
Published
Issue
Section
License
Copyright (c) 2026 Jurnal Sistem Informasi Triguna Dharma (JURSI TGD)
This work is licensed under a Creative Commons Attribution 4.0 International License.
