ANALISIS KOMPARATIF METODE K-MEANS DAN DBSCAN UNTUK SEGMENTASI PELANGGAN E-COMMERCE

Dengan meningkatnya persaingan di industri e-commerce, perusahaan perlu mengembangkan strategi pemasaran yang lebih terarah dan personal. Penelitian ini menerapkan algoritma clustering untuk membagi pelanggan berdasarkan frekuensi pembelian, total pengeluaran, dan durasi kunjungan, menggunakan data sebanyak 30.000 transaksi pelanggan Freshmart di Shopee selama Januari hingga Juni 2024. Hasil segmentasi menunjukkan bahwa algoritma KMeans menghasilkan lima segmen pelanggan: premium, aktif, reguler, hemat, dan pasif, sedangkan DBSCAN membentuk tiga segmen utama: premium, aktif, serta hemat/pasif. Pelanggan premium dan aktif teridentifikasi berdasarkan kombinasi pengeluaran tinggi, frekuensi transaksi, dan durasi kunjungan yang lebih lama. Evaluasi performa model menunjukkan bahwa K-Means lebih optimal dibandingkan DBSCAN, dengan nilai Silhouette Score tertinggi sebesar 0.559 dan Davies-Bouldin Index (DBI) terendah sebesar 0.558, yang menunjukkan struktur kluster yang lebih baik. Hasil ini membuktikan bahwa K-Means lebih efektif dalam menghasilkan segmentasi pelanggan yang akurat untuk mendukung strategi pemasaran yang personal dan terarah.

Kata kunci : Pengelompokan Pelanggan, E-commerce, Data Transaksi, Perilaku Konsumen, Shopee