Data Science · Unsupervised Learning · Customer Analytics · 2026

Segmentasi Pelanggan dengan RFM dan Clustering

Segmentasi pelanggan pada dataset Online Retail II menggunakan pendekatan RFM. Lima algoritma clustering dibandingkan secara objektif lewat validasi internal, bukan dipilih secara manual. Hasil akhirnya membagi pelanggan menjadi dua segmen utama.

Diagram segmentasi pelanggan berbasis RFM
  • 5.878Pelanggan dianalisisData Online Retail II
  • 5 algoritmaModel dibandingkanK-Means hingga DBSCAN
  • 4 metrikValidasi internalRanking gabungan tanpa label asli
  • 2 segmenHasil akhirAktif bernilai tinggi dan kurang aktif bernilai rendah
Isi studi kasus
Progres membaca studi kasus

Tujuan

Mengelompokkan pelanggan berdasarkan pola belanja mereka tanpa label kelas bawaan, lalu memilih algoritma clustering terbaik secara objektif menggunakan validasi internal.

Hasil dan keterbatasan

Dari 5.878 pelanggan, K-Means dengan dua cluster terpilih sebagai hasil terbaik berdasarkan ranking gabungan empat metrik validasi. Segmen pertama adalah pelanggan aktif dan bernilai tinggi, segmen kedua pelanggan kurang aktif dan bernilai rendah. Keterbatasan, dataset tidak memiliki label asli sehingga validasi eksternal seperti akurasi tidak bisa dilakukan, dan hasil clustering sangat bergantung pada asumsi jumlah cluster yang dipilih.

Bukti visual

Dua kelompok utama muncul dari pola RFM.
Lima algoritma dibandingkan dengan empat metrik.
K-Means memisahkan pelanggan aktif dan kurang aktif.
Plot dua segmen pelanggan RFM
Dua kelompok utama muncul dari pola RFM.
1 / 3

Detail teknis

Buka detail implementasi

Peran dan kontribusi

Mengerjakan seluruh proyek sendiri. Membersihkan data transaksi, membangun fitur RFM, menjalankan lima algoritma clustering, memvalidasi hasil dengan metrik internal, dan menginterpretasikan profil tiap segmen.

Metodologi

Menggabungkan dua tahun data transaksi, membersihkan transaksi tidak valid, dan membentuk tiga fitur RFM per pelanggan. Menentukan jumlah cluster optimal, lalu menjalankan lima algoritma clustering berbeda. Setiap algoritma dinilai dengan empat metrik validasi internal, dan yang mendapat ranking terbaik dipilih sebagai hasil akhir.

Teknologi

  • R
  • K-Means
  • Gaussian Mixture Model
  • Hierarchical Clustering
  • PAM
  • DBSCAN
  • RMarkdown
  • Jupyter Notebook
← Semua proyek