ANALISIS KOMPARASI ALGORITMA K-MEANS DAN HIERARCHICAL CLUSTERING UNTUK SEGMENTASI PELANGGAN DALAM MENGGUNAKAN METODE PEMBAYARAN

Abstract

Transformasi digital dalam industri ritel menuntut pemanfaatan data transaksi melalui machine learning untuk memahami perilaku belanja pelanggan secara tepat. Namun, keterbatasan dalam mengenali profil pelanggan berdasarkan pola pembayaran digital sering kali menyebabkan strategi pemasaran tidak tepat sasaran dan kurang personal. Penelitian ini bertujuan melakukan analisis komparatif antara algoritma K-Means dan Hierarchical Clustering untuk menentukan metode segmentasi pelanggan yang paling akurat berdasarkan metode pembayaran. Penelitian ini menggunakan pendekatan kuantitatif pada 3900 data sekunder, kualitas klaster dievaluasi melalui metrik Silhouette Score, Calinski-Harabasz, dan Davies-Bouldin Index. Hasil penelitian menunjukkan bahwa kedua algoritma mampu membentuk lima klaster pelanggan dengan kualitas pemisahan yang sangat baik. Secara spesifik, K-Means menunjukkan kinerja sedikit lebih unggul dengan nilai Silhouette Score 0,8606 dibandingkan Hierarchical Clustering sebesar 0,8595. Temuan ini berhasil memetakan profil pelanggan berdasarkan metode pembayaran dominan seperti Debit Card, PayPal, dan Cash, yang dapat menjadi landasan strategis bagi perusahaan dalam merancang strategi pemasaran yang lebih personal serta tepat sasaran