Segmentasi Pola Transaksi Coffee Shop menggunakan Algoritma K-Means untuk Analisis Perilaku Pembelian

Resya Hidayatunnisa; Apriade  Voutama

doi:10.55382/jurnalpustakadata.v6i2.1794

Penulis

Resya Hidayatunnisa Universitas Singaperbangsa Karawang
Apriade Voutama Universitas Singaperbangsa Karawang

DOI:

https://doi.org/10.55382/jurnalpustakadata.v6i2.1794

Kata Kunci:

segmentasi transaksi, k-means, data mining, perilaku pelanggan, coffee shop

Abstrak

Penelitian ini bertujuan untuk melakukan segmentasi pola transaksi pelanggan pada coffee shop guna memahami perilaku pembelian berdasarkan data transaksi. Data yang digunakan merupakan data penjualan coffee shop yang diperoleh dari platform Kaggle dengan jumlah lebih dari 3.500 transaksi, yang mencakup atribut nilai transaksi, waktu pembelian, dan hari transaksi. Metode yang digunakan dalam penelitian ini adalah pendekatan data mining dengan kerangka kerja Cross Industry Standard Process for Data Mining (CRISP-DM), serta algoritma K-Means sebagai teknik clustering. Tahapan penelitian meliputi pemahaman bisnis, pemahaman data, persiapan data, pemodelan, dan evaluasi. Pada tahap pemodelan dilakukan normalisasi data serta penentuan jumlah cluster optimal menggunakan metode Elbow, dengan nilai inertia sebesar 5839,77 pada k = 3. Hasil penelitian menunjukkan bahwa jumlah cluster optimal adalah tiga kelompok yang merepresentasikan karakteristik transaksi dengan nilai rendah, sedang, dan tinggi pada waktu tertentu. Setiap cluster menunjukkan pola transaksi yang berbeda sehingga dapat dimanfaatkan sebagai dasar dalam penyusunan strategi pemasaran yang lebih terarah. Penelitian ini menyimpulkan bahwa algoritma K-Means mampu mengelompokkan pola transaksi secara efektif serta memberikan wawasan yang bermanfaat dalam memahami perilaku pembelian pelanggan pada coffee shop.

Unduhan

Data unduhan belum tersedia.

Referensi

J. Han, Jiawei; Kamber, Micheline; Pei, Data Mining: Concepts and Techniques, 3rd ed. Burlington: Morgan Kaufmann, 2011.

N. A. M. Hadi, A. A.; Kamaruddin, M. H.; Zin, “Customer segmentation using K-means clustering technique,” Int. J. Adv. Comput. Sci. Appl., vol. 9, no. 8, p. International Journal of Advanced Computer Science, 2018.

M. Ahmed, R. Seraj, S. Mohammed, and S. Islam, “The k-means Algorithm?: A Comprehensive Survey and Performance Evaluation,” pp. 1–12, 2020, doi: 10.3390/electronics9081295.

A. Fahad et al., “IEEE TRANSACTIONS ON A Survey of Clustering Algorithms for Big Data?: Taxonomy and Empirical Analysis,” IEEE Trans. Emerg. Top. Comput., vol. 2, no. 3, pp. 267–279, 2014, doi: 10.1109/TETC.2014.2330519.

F. Dolnicar, Sara; Grün, Bettina; Leisch, No TitleMarket Segmentation Analysis: Understanding It, Doing It, and Making It Useful. Singapore: Springer, 2018.

W. A. Wedel, Michel; Kamakura, Market Segmentation: Conceptual and Methodological Foundations, 3rd ed. New York: Springer, 2017.

E. Sarstedt, Marko; Mooi, A Concise Guide to Market Research: The Process, Data, and Methods Using IBM SPSS Statistics. Springer: Springer, 2019.

R. S. Cordova, “CUSTOMER SEGMENTATION IN THE ONLINE RETAIL INDUSTRY USING BIG DATA ANALYTICS,” vol. 102, no. 22, pp. 8312–8324, 2024.

K. R. Kashwan and C. M. Velu, “Customer Segmentation Using Clustering and Data Mining Techniques,” vol. 5, no. 6, pp. 1–6, 2013, doi: 10.7763/IJCTE.2013.V5.811.

C. Shahapure, K. R., & Nicholas, “Cluster Quality Analysis Using Silhouette Score. Proceedings of the IEEE International Conference on Data Mining Workshops.,” 2020, doi: https://doi.org/10.1109/ICDMW51313.2020.00096.

A. K. Jain, “Data clustering: 50 years beyond K-means,” Pattern Recognit. Lett., vol. 31, no. 8, pp. 651–666, 2010, doi: 10.1016/j.patrec.2009.09.011.

S. Arthur, David; Vassilvitskii, “K-means++: The advantages of careful seeding,” in Proceedings of the Eighteenth Annual ACM-SIAM Symposium on Discrete Algorithms, New Orleans, 2007.

C. C. Aggarwal, “Data mining: The textbook,” Knowledge-Based Syst., vol. 177, pp. 1–10, 2019.

I. Arbelaitz, O.; Gurrutxaga, I.; Muguerza, J.; Pérez, J. M.; Perona, “An extensive comparative study of cluster validity indices,” Indices, An extensive Comp. study Clust. validity, vol. 253, pp. 1–14, 2013.

W. Kumar, V.; Reinartz and J. P. C. Science, “Customer relationship management: Concept, strategy, and tools,” Procedia Comput. Sci., vol. 132, pp. 1552–1559, 2018, doi: 10.1016/j.procs.2017.11.116.