SEGMENTASI PELANGGAN PADA PLATFORM MARKETPLACE MENGGUNAKAN K-MEANS DAN DBSCAN BERBASIS PERILAKU TRANSAKSI RFM
Article Sidebar
Main Article Content
Abstract
Segmentasi pelanggan berbasis Recency–Frequency–Monetary (RFM) umumnya dilakukan dengan K-Means, tetapi pada marketplace dengan pembeli sekali transaksi yang sangat dominan, frekuensi pembelian menjadi terdegenerasi dan pelanggan ekstrem dapat mendistorsi centroid. Penelitian ini membandingkan K-Means dan DBSCAN serta mengusulkan pendekatan hibrida DBSCAN→K-Means pada 93.357 pelanggan unik dari 96.477 pesanan terkirim pada marketplace Olist (September 2016–Agustus 2018). Fitur RFM ditransformasi logaritmik (F dan M) dan distandardisasi. Jumlah klaster K-Means ditentukan dengan Elbow, Silhouette, Davies-Bouldin Index (DBI), dan Calinski-Harabasz Index (CHI), sedangkan parameter DBSCAN ditentukan dari titik lutut grafik k-distance dan pencarian grid. Evaluasi mencakup validitas internal, stabilitas (Adjusted Rand Index/ARI pada 20 subsampel 80%), keseimbangan segmen, dan kontribusi pendapatan. K-Means dengan k = 4 dipilih (CHI tertinggi; Silhouette tertinggi untuk k ≥ 3). DBSCAN (ε = 0,264; minPts = 20) menghasilkan satu klaster dominan berisi 96,7% pelanggan sehingga tidak diskriminatif, meskipun DBI-nya rendah (0,576). Pendekatan hibrida mengisolasi 509 pelanggan ekstrem (0,55%) dan membentuk lima segmen dengan validitas setara K-Means (Silhouette 0,375; DBI 0,770), namun lebih stabil (ARI rerata 0,994 vs 0,988; p = 0,0096) dan menghindari kontaminasi centroid: rerata monetary klaster pelanggan berulang pada K-Means terlalu tinggi 20,2%. Segmen pembeli tunggal bernilai tinggi (29,7% pelanggan) menyumbang 56,0% pendapatan sehingga menjadi prioritas konversi ke pembelian kedua. DBSCAN lebih tepat berperan sebagai penyaring pelanggan ekstrem daripada pengganti K-Means.
Article Details
References
Alamsyah, P. E. Prasetyo, Sunyoto, S. H. Bintari, D. D. Saputro, S. Rohman, and R. N. Pratama, "Customer segmentation using the integration of the recency frequency monetary model and the K-Means cluster algorithm," Scientific Journal of Informatics, vol. 9, no. 2, pp. 189–196, 2022, doi: 10.15294/sji.v9i2.39437.
P. I. Pangestu, T. I. Hermanto, and D. Irmayanti, "Analisis segmentasi pelanggan berbasis Recency Frequency Monetary (RFM) menggunakan algoritma K-Means," JATI (Jurnal Mahasiswa Teknik Informatika), vol. 7, no. 3, pp.1486–1492,2023,doi: 0.36040/jati.v7i3.7171.
D. S. Nugraha, I. Thoib, N. Sururi, F. Bayu F, and B. P. Candra, "Segmentasi pelanggan berbasis analisis RFM menggunakan algoritma K-Means clustering," Jurnal Komputer Teknologi Informasi Sistem Komputer (JUKTISI), vol. 4, no. 2, pp. 1361–1369, 2025, doi: 10.62712/juktisi.v4i2.641.
R. M. Fauzan and G. Alfian, "Segmentasi pelanggan e-commerce menggunakan fitur Recency, Frequency, Monetary (RFM) dan algoritma klasterisasi K-Means," JISKA (Jurnal Informatika Sunan Kalijaga), vol. 9, no. 3, pp. 170–177,2024,doi: 0.14421/jiska.2024.9.3.170-177.
F. Alzami, F. D. Sambasri, M. Nabila, R. A. Megantara, A. Akrom, R. A. Pramunendar, D. P. Prabowo, and P. Sulistiyawati, "Implementation of RFM method and K-Means algorithm for customer segmentation in e-commerce with Streamlit," ILKOM Jurnal Ilmiah, vol. 15, no. 1, pp.32–44,2023,doi: 10.33096/ilkom.v15i1.1524.32-44.
K. Tabianan, S. Velu, and V. Ravi, "K-Means clustering approach for intelligent customer segmentation using customer purchase behavior data," Sustainability, vol. 14, no. 12, p. 7243, 2022, doi: 10.3390/su14127243.
Samidi, R. Y. Suladi, and D. Kusumaningsih, "Comparison of the RFM model's actual value and score value for clustering," Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi), vol. 7, no. 6, pp. 1430–1438, 2023, doi: 10.29207/resti.v7i6.5416.
J. M. John, O. Shobayo, and B. Ogunleye, "An exploration of clustering algorithms for customer segmentation in the UK retail market," Analytics, vol. 2, no. 4, pp. 809–823, 2023, doi: 10.3390/analytics2040042.
B. N. Yulisasih, H. Herman, S. Sunardi, and H. Yuliansyah, "Evaluation of K-Means clustering using silhouette score method on customer segmentation," ILKOM Jurnal Ilmiah, vol. 16, no. 3, pp. 330–342, 2024, doi: 10.33096/ilkom.v16i3.2325.330-342.
F. Irawan, F. Amaluddin, and A. Wijayanti, "E-commerce customer segmentation based on RFM analysis using DBSCAN algorithm to improve marketing strategy," Jurnal EMT KITA, vol. 9, no. 4, pp. 1850–1859, 2025, doi: 10.35870/emt.v9i4.5375.
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, pp. 1346–1361,2024,doi: 10.57152/malcom.v4i4.1516.
D. P. Agustino, I. G. B. A. Budaya, I. G. Harsemadi, I. K. Dharmendra, and I. M. S. Astika Pande, "Perbandingan algoritma DBSCAN dan Affinity Propagation dalam segmentasi pelanggan tenant inkubator bisnis," Jurnal SISFOKOM (Sistem Informasi dan Komputer), vol. 12, no. 2, pp. 315–321, 2023, doi: 10.32736/sisfokom.v12i2.1682.
Ullah, M. I. Mohmand, H. Hussain, S. Johar, I. Khan, S. Ahmad, H. A. Mahmoud, and S. Huda, "Customer analysis using machine learning-based classification algorithms for effective segmentation using Recency, Frequency, Monetary, and Time," Sensors, vol. 23, no. 6, p. 3180, 2023, doi: 10.3390/s23063180.
T. Ho, S. Nguyen, H. Nguyen, N. Nguyen, D.-S. Man, and T.-G. Le, "An extended RFM model for customer behaviour and demographic analysis in retail industry," Business Systems Research, vol. 14, no. 1, pp. 26–53, 2023, doi: 10.2478/bsrj-2023-0002.
M. Shutaywi and N. N. Kachouie, "Silhouette analysis for performance evaluation in machine learning with applications to clustering," Entropy, vol. 23, no. 6, p. 759, 2021, doi: 10.3390/e23060759.