PENERAPAN AGGLOMERATIVE HIERARCHICAL CLUSTERING UNTUK SEGMENTASI PELANGGAN BERDASARKAN PERILAKU BELANJA MENGGUNAKAN EMPAT VARIABEL
PENERAPAN AGGLOMERATIVE HIERARCHICAL CLUSTERING UNTUK SEGMENTASI PELANGGAN BERDASARKAN PERILAKU BELANJA MENGGUNAKAN EMPAT VARIABEL
[KEMBALI KE MENU SEBELUMNYA]
1.1 Latar Belakang
1.2 Rumusan Masalah
1.3 Tujuan Penelitian
1.4 Manfaat Penelitian
2. Tujuan
3. Metodologi Penelitian
3.1 Bahan dan Perangkat
3.2 Pra-pemrosesan Data
3.2.1 Penanganan Nilai Hilang
3.2.2 Standarisasi Data (Z-score)
3.3 Algoritma yang Digunakan: Hierarchical Clustering
3.3.1 Agglomerative vs Divisive
3.3.2 Pengukuran Jarak (Euclidean)
3.3.3 Metode Linkage (Single, Complete, Average, Ward)
3.3.4 Dendrogram dan Penentuan Jumlah Cluster
4. Hasil dan Pembahasan
4.1 Detail Implementasi
4.2 Metrik Evaluasi
4.3 Hasil Clustering
Agglomeration Schedule
Dendrogram
Anggota Tiap Cluster
4.4 Pembahasan dan Interpretasi Cluster
5. Percobaan
a. Code (Google Colab)
b. Video
6. Kesimpulan dan Saran
6.1 Kesimpulan
6.2 Saran
7. Download File dan Link
Jurnal Referensi
Video Penjelasan
Code Google Colab
Dataset yang digunakan
1. Pendahuluan (kembali)
Volume data transaksi pelanggan di sektor ritel terus bertambah dan menyimpan informasi tentang perilaku belanja. Perusahaan sering kurang memahami keragaman karakteristik pelanggannya, sehingga strategi pemasaran cenderung seragam dan kurang tepat sasaran. Segmentasi pelanggan biasanya bertumpu pada dimensi recency, frequency, monetary (RFM). Pada penelitian ini terdapat empat variabel: belanja tahunan (monetary), frekuensi kunjungan (frequency), recency (hari sejak transaksi terakhir), dan jumlah kategori produk yang dibeli. Pola belanja dan frekuensi kunjungan menjadi fokus utama, sedangkan recency dan jumlah kategori produk melengkapi gambaran perilaku sehingga ketiga dimensi RFM seluruhnya tercakup.
Analisis klaster (unsupervised learning) dipakai untuk mengelompokkan objek berdasarkan kemiripan tanpa label kelas. Di antara metodenya, hierarchical clustering banyak digunakan karena menghasilkan struktur hierarki yang dapat divisualisasikan sebagai dendrogram. Berbeda dengan k-means, jumlah cluster tidak harus ditetapkan di awal dan hasilnya tidak bergantung pada pusat awal acak. Kelemahannya, hasil metode ini bergantung pada pilihan metode linkage dan skala variabel, sehingga keduanya perlu diuji. Kebutuhan ini nyata pada data penelitian: keempat variabel memiliki satuan dan rentang yang sangat berbeda (juta rupiah, kali kunjungan, hari, dan jumlah kategori).
Kajian pustaka menunjukkan bahwa hasil segmentasi peka terhadap pilihan metode, praproses, dan kriteria penentuan jumlah cluster. Banyak penelitian hanya melaporkan satu konfigurasi akhir tanpa memeriksa pengaruh linkage atau skala variabel, dan perbandingan metode sering hanya memakai koefisien silhouette yang tidak dapat membedakan metode dengan partisi sama. Penelitian ini mengisi celah tersebut pada tingkat prosedural.
Jurnal acuan tidak menuliskan rumusan masalah secara eksplisit. Berdasarkan latar belakang dan tujuannya, rumusannya dapat dituliskan sebagai berikut:
- Bagaimana menerapkan agglomerative hierarchical clustering dengan average linkage untuk mengelompokkan 30 pelanggan berdasarkan belanja tahunan, frekuensi kunjungan, recency, dan jumlah kategori produk?
- Berapa jumlah cluster yang paling sesuai berdasarkan struktur dendrogram?
- Bagaimana kualitas hasil pengelompokan, dan seberapa sensitif hasilnya terhadap pilihan metode linkage dan standardisasi variabel?
- Menerapkan agglomerative hierarchical clustering dengan average linkage pada data 30 pelanggan.
- Menganalisis struktur dendrogram untuk menentukan jumlah cluster yang paling sesuai.
- Mengevaluasi kualitas hasil pengelompokan menggunakan koefisien silhouette dan korelasi kofenetik, termasuk kepekaannya terhadap pilihan metode linkage dan standardisasi variabel.
Penelitian menyediakan contoh tahapan analisis yang lengkap dan dapat direproduksi, mulai dari matriks jarak hingga evaluasi hasil. Contoh ini dapat menjadi acuan bagi praktisi yang akan menerapkan segmentasi pelanggan pada data transaksi riil. Hasil uji sensitivitas juga menunjukkan secara konkret mengapa standardisasi variabel perlu diperiksa sebelum segmen dipakai untuk keputusan pemasaran.
2. Tujuan (kembali)
Secara ringkas, tujuan penelitian ini adalah:
- Mengelompokkan pelanggan ke dalam segmen berdasarkan belanja tahunan (juta rupiah), frekuensi kunjungan (kali per tahun), recency (hari), dan jumlah kategori produk.
- Menentukan jumlah cluster optimal dari lompatan jarak penggabungan pada dendrogram, lalu mengonfirmasinya dengan koefisien silhouette untuk k = 2 sampai k = 5.
- Menguji apakah hasil segmentasi berubah ketika metode linkage diganti (single, complete, average, Ward) dan ketika variabel distandardisasi.
- Menyajikan tahapan hierarchical clustering yang dapat direproduksi sebagai acuan pada data transaksi riil.
3. Metodologi Penelitian (kembali)
3.1 Bahan dan Perangkat (dataset dan variabel yang digunakan)
Data. Data yang dipakai adalah data simulasi 30 pelanggan (P1–P30) dengan empat variabel numerik, yang sengaja dirancang memuat kelompok karakteristik berbeda untuk menguji apakah prosedur mampu memulihkan struktur kelompok. Nilai belanja tahunan dan frekuensi kunjungan P1–P15 identik dengan Tabel 4 jurnal acuan. Data diperluas dengan P16–P30 serta variabel recency dan jumlah kategori produk.
Dataset lengkap (Tabel 4 jurnal):
| Variabel | Keterangan | Satuan | Rentang | Rata-rata |
|---|---|---|---|---|
| Belanja_Tahunan_Juta_Rp | Total belanja dalam setahun | Juta rupiah | 23,1 – 97,3 | 55,89 |
| Frekuensi_Kunjungan | Frekuensi kunjungan | Kali per tahun | 3,9 – 14,4 | 8,80 |
| Recency_Hari | Hari sejak transaksi terakhir | Hari | 6 – 129 | 53,03 |
| Jumlah_Kategori_Produk | Kategori produk yang dibeli | Kategori | 2 – 13 | 6,93 |
Perangkat. Bahasa pemrograman Python dengan pustaka SciPy (matriks jarak, pembentukan cluster hierarkis, dendrogram, korelasi kofenetik), scikit-learn (koefisien silhouette dan standardisasi), dan Matplotlib (visualisasi).
Dataset lengkap:
| Objek | Belanja Tahunan (Juta Rp) | Frekuensi Kunjungan | Recency (Hari) | Jumlah Kategori Produk |
|---|---|---|---|---|
| P1 | 26,5 | 3,9 | 68 | 4 |
| P2 | 26,9 | 4,9 | 119 | 3 |
| P3 | 24,3 | 3,9 | 99 | 4 |
| P4 | 29,7 | 4,5 | 67 | 4 |
| P5 | 23,6 | 4,3 | 78 | 2 |
| P6 | 53,1 | 8,6 | 49 | 8 |
| P7 | 56,0 | 7,5 | 58 | 8 |
| P8 | 48,1 | 8,6 | 58 | 8 |
| P9 | 50,9 | 9,3 | 48 | 5 |
| P10 | 51,4 | 7,9 | 63 | 6 |
| P11 | 97,3 | 13,8 | 12 | 10 |
| P12 | 90,3 | 12,6 | 6 | 13 |
| P13 | 87,3 | 14,1 | 17 | 12 |
| P14 | 84,2 | 14,4 | 10 | 13 |
| P15 | 87,0 | 13,7 | 12 | 11 |
| P16 | 23,4 | 4,2 | 129 | 2 |
| P17 | 27,1 | 4,0 | 77 | 3 |
| P18 | 23,1 | 4,9 | 93 | 2 |
| P19 | 28,6 | 4,2 | 102 | 4 |
| P20 | 25,9 | 4,1 | 105 | 4 |
| P21 | 59,5 | 9,2 | 68 | 7 |
| P22 | 50,6 | 8,3 | 45 | 5 |
| P23 | 50,2 | 7,8 | 32 | 6 |
| P24 | 49,2 | 7,8 | 63 | 8 |
| P25 | 54,2 | 8,9 | 53 | 8 |
| P26 | 89,2 | 14,2 | 7 | 11 |
| P27 | 88,6 | 13,7 | 17 | 9 |
| P28 | 89,1 | 13,9 | 13 | 9 |
| P29 | 92,4 | 14,1 | 11 | 10 |
| P30 | 89,1 | 12,7 | 12 | 9 |
Jurnal acuan tidak membahas penanganan nilai hilang (missing values). Data yang dipakai berisi 30 objek dengan nilai lengkap pada keempat variabel (hasil pemeriksaan: 0 nilai hilang), sehingga tidak ada tahap imputasi atau penghapusan data. Pemeriksaan data dan skala variabel dilakukan sebagai langkah pertama analisis. Pada data transaksi riil, tahap ini perlu ditambahkan, misalnya dengan imputasi atau penghapusan baris yang tidak lengkap.
3.2.2 Standarisasi Data (Z-score)
Rentang keempat variabel sangat berbeda: belanja tahunan 23,1–97,3, frekuensi kunjungan 3,9–14,4, recency 6–129, dan jumlah kategori 2–13. Pada skala asli, jarak Euclidean praktis ditentukan oleh dua variabel saja. Porsi varians masing-masing variabel terhadap total varians adalah recency 64,4%, belanja tahunan 34,3%, frekuensi kunjungan 0,8%, dan jumlah kategori produk 0,5%. Artinya frekuensi kunjungan, yang menjadi fokus judul penelitian, nyaris tidak berpengaruh pada jarak jika data tidak distandardisasi.
Karena itu standardisasi z-score diuji sebagai analisis sensitivitas, dengan alasan bahwa metode ini terbukti efektif untuk variabel berbeda satuan (Wongoutong, 2024). Z-score menghitung z = (x − rata-rata) / simpangan baku untuk tiap variabel, sehingga setiap variabel memiliki rata-rata 0 dan simpangan baku 1 serta berkontribusi setara pada jarak.
Alur analisis: analisis utama dijalankan pada skala asli, kemudian seluruh analisis diulang setelah keempat variabel distandardisasi menjadi z-score untuk melihat apakah hasilnya berubah.
3.3 Algoritma yang Digunakan: Hierarchical Clustering
Tahapan analisis ada tujuh: (1) pemeriksaan data dan skala variabel, (2) perhitungan matriks jarak, (3) pembentukan cluster secara agglomerative dengan average linkage, (4) visualisasi dendrogram, (5) penentuan jumlah cluster, (6) evaluasi dengan koefisien silhouette, dan (7) uji sensitivitas terhadap metode linkage dan standardisasi.
3.3.1 Agglomerative vs Divisive
- Agglomerative (bottom-up): setiap objek dimulai sebagai cluster sendiri, lalu pasangan cluster terdekat digabung bertahap sampai seluruh objek berada dalam satu cluster. Pendekatan inilah yang dipakai dalam penelitian. Dengan 30 objek, proses selesai dalam 29 tahap penggabungan.
- Divisive (top-down): bekerja sebaliknya, yaitu memecah satu cluster besar secara bertahap.
Keunggulan pendekatan hierarkis: jumlah cluster tidak perlu ditetapkan di awal dan sifatnya deterministik. Kelemahannya: keputusan penggabungan bersifat permanen (greedy), dan kebutuhan memori serta waktu tumbuh setidaknya kuadratik terhadap jumlah objek, sehingga kurang efisien untuk data sangat besar.
3.3.2 Pengukuran Jarak (Euclidean)
Jarak antara objek i dan j dengan p variabel dihitung dengan jarak Euclidean:
d(i, j) = √ Σₖ (xᵢₖ − xⱼₖ)²
dengan xᵢₖ dan xⱼₖ adalah nilai variabel ke-k untuk objek i dan j. Semakin kecil jaraknya, semakin mirip kedua objek.
3.3.3 Metode Linkage (Single, Complete, Average, Ward)
Metode | Definisi jarak antar-cluster | Karakteristik |
|---|---|---|
Single linkage | Jarak minimum antarpasangan titik dari dua cluster | Rentan terhadap efek chaining |
Complete linkage | Jarak maksimum antarpasangan titik dari dua cluster | Menghasilkan cluster yang kompak |
Average linkage | Rata-rata jarak seluruh pasangan titik dari dua cluster | Kompromi antara single dan complete |
Ward's method | Minimisasi kenaikan total varians dalam cluster | Cenderung menghasilkan cluster berukuran seimbang |
Cenderung menghasilkan cluster berukuran seimbang |
Pada average linkage, jarak cluster A dan B dihitung sebagai: d(A, B) = (1 / (|A|·|B|)) Σₐ∈A Σᵦ∈B d(a, b), dengan |A| dan |B| jumlah anggota masing-masing cluster.
Metode utama yang dipilih adalah average linkage. Keempat metode dibandingkan pada k = 3 sebagai uji sensitivitas.
3.3.4 Dendrogram dan Penentuan Jumlah Cluster
Proses penggabungan digambarkan dalam dendrogram, dan pemotongan pada ketinggian tertentu menghasilkan sejumlah cluster. Jumlah cluster ditentukan dengan dua cara yang saling melengkapi:
- Selang jarak penggabungan terlebar. Dendrogram dipotong pada selang jarak penggabungan (merge distance) terlebar, karena lompatan jarak yang besar menandakan penggabungan dua kelompok yang berbeda.
- Koefisien silhouette. Rata-rata koefisien silhouette dihitung untuk k = 2 sampai k = 5. Rumusnya: s(i) = (b(i) − a(i)) / max{a(i), b(i)}, dengan a(i) rata-rata jarak objek i ke anggota lain dalam cluster-nya dan b(i) rata-rata jarak ke anggota cluster terdekat lainnya. Nilai s(i) berada pada rentang −1 sampai 1. Nilai mendekati 1 berarti objek tepat penempatannya, mendekati 0 berarti objek berada di batas dua cluster, dan negatif berarti kemungkinan salah penempatan.
Metode elbow tidak digunakan karena lemah secara teoretis, dan silhouette tidak dipakai sendirian karena memiliki kelemahan untuk menaksir jumlah cluster. Sebagai pelengkap, kualitas dendrogram diukur dengan korelasi kofenetik, yaitu korelasi antara jarak asli antarobjek dan jarak kofenetik pada dendrogram. Nilai yang lebih tinggi berarti dendrogram lebih setia mewakili jarak asli.
4. Hasil dan Pembahasan (kembali)
Penelitian ini menggunakan dataset pelanggan yang terdiri dari 30 data pengamatan, yaitu pelanggan P1 sampai P30. Setiap pelanggan memiliki empat atribut yang digunakan sebagai dasar dalam proses pengelompokan menggunakan metode Agglomerative Hierarchical Clustering.
Keempat atribut tersebut menggambarkan karakteristik perilaku pelanggan berdasarkan jumlah belanja tahunan, frekuensi kunjungan, waktu transaksi terakhir, serta jumlah kategori produk yang dibeli.
Keterangan | Hasil |
|---|---|
Jumlah pelanggan | 30 |
Jumlah seluruh kolom | 5 |
Jumlah atribut numerik | 4 |
Jumlah nilai hilang | 0 |
Metode clustering | Agglomerative Hierarchical Clustering |
Jarak yang digunakan | Euclidean Distance |
Metode linkage | Average Linkage |
Jumlah cluster akhir | 3 |
Standardisasi dilakukan menggunakan metode Z-score agar seluruh fitur memiliki skala yang sebanding.
Rumus yang digunakan:
Tampilkan tabel hasil standardisasi untuk seluruh 30 pelanggan dan empat fitur.
Pembahasan:
Berdasarkan hasil standardisasi, setiap fitur telah diubah ke dalam skala yang relatif seragam. Proses ini bertujuan mengurangi pengaruh perbedaan satuan dan rentang nilai antarfitur terhadap perhitungan jarak.
4.3.1 Linkage Matrix
Linkage Matrix merupakan hasil proses penggabungan objek atau cluster secara bertahap.
Untuk 30 data pelanggan, proses penggabungan akan menghasilkan 29 tahapan.
Tabel ini dapat berisi:
Tahap penggabungan.
Cluster pertama.
Cluster kedua.
Jarak penggabungan.
Jumlah anggota cluster setelah penggabungan.
4.3.2 Diagram Linkage
Diagram Linkage digunakan untuk memperlihatkan proses penggabungan cluster berdasarkan jarak antarobjek.
Diagram tersebut memperlihatkan hubungan penggabungan objek dari tahap awal hingga terbentuk satu cluster besar. Ketinggian penggabungan menunjukkan jarak antarcluster.
Berdasarkan diagram tersebut, pemotongan dendrogram dilakukan untuk menentukan jumlah cluster yang digunakan dalam penelitian.
Evaluasi dilakukan untuk mengetahui kualitas hasil pengelompokan yang telah terbentuk.
Salah satu metode evaluasi yang digunakan adalah Silhouette Score. Metode ini mengukur tingkat kesesuaian objek terhadap cluster tempat objek tersebut berada dibandingkan dengan cluster lainnya.
4.4.1 Silhouette Score Evaluation
ampilkan hasil evaluasi untuk setiap jumlah cluster atau metode linkage yang diuji oleh program.
Contoh format tabel:
Jumlah Cluster | Silhouette Score |
|---|---|
2 | Hasil program |
3 | Hasil program |
4 | Hasil program |
5 | Hasil program |
Nilai Silhouette Score berada pada rentang -1 hingga 1. Nilai yang lebih tinggi umumnya menunjukkan kualitas pemisahan cluster yang lebih baik.
4.4.2 Grafik Silhouette Score
.png)
Grafik ini digunakan untuk memperlihatkan perubahan nilai Silhouette Score berdasarkan jumlah cluster yang diuji.
Jumlah cluster yang dipilih sebaiknya mempertimbangkan nilai Silhouette Score serta interpretasi karakteristik kelompok yang dihasilkan.
Setelah jumlah cluster ditentukan melalui tahapan analisis dan evaluasi, setiap pelanggan diberikan label berdasarkan hasil pengelompokan.
Final Cluster Assignments menunjukkan hasil akhir pembagian setiap pelanggan ke dalam kelompok tertentu.
Tabel tersebut memperlihatkan bahwa setiap pelanggan telah memperoleh label cluster berdasarkan kemiripan karakteristik dari empat fitur yang digunakan.
Cluster Distribution menunjukkan jumlah pelanggan yang tergabung dalam masing-masing kelompok.
Setelah pelanggan dikelompokkan, tahap selanjutnya adalah menganalisis karakteristik setiap cluster berdasarkan nilai rata-rata dari masing-masing fitur.
Cluster Characteristics (Mean) merupakan tabel yang menunjukkan nilai rata-rata setiap fitur dalam masing-masing cluster.
Format tabel:
Fitur | Cluster 1 | Cluster 2 | Cluster 3 |
|---|---|---|---|
Belanja Tahunan | Hasil program | Hasil program | Hasil program |
Frekuensi Kunjungan | Hasil program | Hasil program | Hasil program |
Recency | Hasil program | Hasil program | Hasil program |
Jumlah Kategori Produk | Hasil program | Hasil program | Hasil program |
Nilai rata-rata digunakan untuk memahami karakteristik umum pelanggan dalam setiap cluster. Sebaiknya nilai yang ditampilkan menggunakan data asli agar hasilnya mudah dipahami dalam konteks perilaku pelanggan.
Heatmap digunakan untuk memvisualisasikan perbedaan karakteristik antarcluster berdasarkan nilai rata-rata setiap fitur.
Heatmap menampilkan perbedaan nilai setiap atribut menggunakan gradasi warna. Warna yang berbeda menunjukkan tingkat karakteristik yang berbeda antarcluster.
Apabila heatmap dibuat berdasarkan nilai Z-score dari rata-rata setiap cluster, warna yang lebih tinggi menunjukkan bahwa nilai fitur tersebut berada di atas rata-rata keseluruhan data. Sebaliknya, nilai negatif menunjukkan nilai di bawah rata-rata.
Visualisasi ini mempermudah identifikasi karakteristik dominan pada setiap kelompok pelanggan.
Berdasarkan hasil pengelompokan menggunakan Agglomerative Hierarchical Clustering, diperoleh beberapa kelompok pelanggan yang memiliki karakteristik perilaku belanja berbeda.
Pembahasan dilakukan dengan menggabungkan hasil Final Cluster Assignments, Cluster Distribution, Cluster Characteristics (Mean), serta visualisasi heatmap.
Interpretasi setiap cluster dilakukan berdasarkan empat atribut penelitian:
Belanja Tahunan untuk mengetahui tingkat pengeluaran pelanggan.
Frekuensi Kunjungan untuk mengetahui tingkat aktivitas pelanggan.
Recency untuk mengetahui seberapa baru pelanggan melakukan transaksi.
Jumlah Kategori Produk untuk mengetahui keragaman produk yang dibeli.
Dari hasil tersebut, setiap cluster dapat diberikan deskripsi berdasarkan nilai rata-rata masing-masing atribut. Penamaan seperti pelanggan bernilai tinggi, menengah, atau rendah harus disesuaikan dengan hasil aktual, bukan ditentukan sebelum pengujian.
5. Percobaan (kembali)
a. Video
6. Kesimpulan dan Saran (kembali)
Berdasarkan hasil penelitian mengenai penerapan metode Hierarchical Clustering untuk pengelompokan pelanggan, dapat disimpulkan bahwa metode ini dapat digunakan untuk mengelompokkan pelanggan berdasarkan kemiripan karakteristik perilaku belanja. Pengelompokan dilakukan dengan mempertimbangkan empat variabel, yaitu belanja tahunan, frekuensi kunjungan, recency atau jarak waktu sejak transaksi terakhir, serta jumlah kategori produk yang dibeli.
Tahapan penelitian dimulai dari pengumpulan dan pengolahan dataset, standardisasi data, pembentukan hierarki menggunakan metode Hierarchical Clustering, hingga penentuan jumlah cluster berdasarkan evaluasi Silhouette Score. Standardisasi diperlukan karena setiap variabel memiliki skala dan rentang nilai yang berbeda sehingga tidak ada satu variabel yang mendominasi proses pengelompokan hanya karena besarnya nilai.
Hasil pengelompokan dapat memberikan gambaran mengenai perbedaan karakteristik pelanggan berdasarkan pola belanja dan aktivitas kunjungannya. Informasi tersebut dapat dimanfaatkan untuk memahami perilaku pelanggan serta membantu menentukan strategi pemasaran yang lebih tepat sesuai karakteristik masing-masing kelompok.
Dengan demikian, metode Hierarchical Clustering dapat menjadi salah satu pendekatan dalam analisis segmentasi pelanggan karena mampu menyajikan proses pengelompokan secara bertingkat melalui dendrogram dan menghasilkan kelompok pelanggan berdasarkan tingkat kemiripan data.
Berdasarkan penelitian yang telah dilakukan, terdapat beberapa saran untuk pengembangan penelitian selanjutnya:
1. Menambah jumlah dataset. Penelitian selanjutnya disarankan menggunakan jumlah data pelanggan yang lebih banyak agar hasil pengelompokan dapat memberikan gambaran yang lebih luas dan representatif.
2. Menambahkan variabel penelitian. Variabel lain seperti jenis kelamin, usia, lokasi pelanggan, jenis produk yang sering dibeli, dan total transaksi dapat dipertimbangkan untuk menghasilkan segmentasi pelanggan yang lebih mendalam.
3. Membandingkan metode linkage. Penelitian berikutnya dapat membandingkan metode Single Linkage, Complete Linkage, Average Linkage, dan Ward Linkage untuk mengetahui metode yang memberikan hasil pengelompokan terbaik pada dataset yang digunakan.
4. Membandingkan algoritma clustering. Hasil Hierarchical Clustering dapat dibandingkan dengan algoritma lain seperti K-Means dan DBSCAN untuk mengetahui perbedaan hasil serta kualitas pengelompokan.
5. Mengoptimalkan evaluasi cluster. Penentuan jumlah cluster sebaiknya tidak hanya mengandalkan Silhouette Score, tetapi juga mempertimbangkan dendrogram, distribusi anggota cluster, dan karakteristik setiap kelompok agar hasilnya lebih mudah diinterpretasikan.
6. Mengembangkan penerapan hasil clustering. Hasil segmentasi pelanggan dapat dimanfaatkan untuk menyusun strategi pemasaran, seperti pemberian promosi khusus, program loyalitas, serta rekomendasi produk berdasarkan karakteristik setiap kelompok pelanggan.
7. Download File dan Link (kembali)
https://jurnal.amikwidyaloka.ac.id/index.php/awl/article/view/395/168
https://drive.google.com/uc?export=download&id=1ejUAKocXIrI4SBmn8p9S1SGH93OVHP0x
https://drive.google.com/uc?export=download&id=171fYwp8wKCtgjodNsm58Ag2i_w1iAKBx
.png)
Komentar
Posting Komentar