| Abstrak/Abstract |
Peningkatan pesat dalam industri e-commercemenuntut pengembangan strategi pemasaran yang lebih cerdas dan terfokus. Salah satu pendekatan yang dapat diterapkan adalah segmentasi pelanggan menggunakan berbagai fitur, seperti Recency, Frequency,danMonetary(RFM), serta metode klasterisasi berbasis machine learning. Tujuan dari penelitian ini adalah untuk merancang dan membangun aplikasi segmentasi pelanggan e-commerce berbasis web yang menggunakan kombinasi fitur RFM dan metode klasterisasi. Penelitian ini mengusulkan algoritma K-Meansdan membandingkannya dengan K-Medoids, serta Fuzzy C Meanspada datasete-commerceyang tersedia secara publik. Hasil penelitian menunjukkan bahwa algoritma K-Meanslebih unggul dibanding algoritma K-Medoidsdan Fuzzy C Means(FCM) berdasarkan nilai Silhouette Coefficient sebesar 0,67305, Davies Bouldin Index sebesar 0,51435, dan Calinski Harabasz Index sebesar 5647,89. Melalui analisis dan pengujian, aplikasi yang dirancang telah terbukti efektif dalam mengelompokkan pelanggan ke dalam segmen yang relevan. Segmen tersebut dibagi menjadi tiga kategori yaitu Loyal, Need Attention, dan Promising, kemudian divisualisasikan dalam bentuk dashboard pada aplikasi berbasis web menggunakan Streamlit. Aplikasi yang dikembangkan dalam penelitian ini memungkinkan pemilik bisnis e-commerceataupun pengguna dari bidang bisnis, divisi manajemen, dan pemasaranuntuk mengelompokkan pelanggan berdasarkan data transaksi. Hasil dari penelitian ini diharapkan dapat memberikan informasi berharga kepada manajemen e-commercemaupun bidang pemasaran dalam menghadapi persaingan yang semakin ketat. |
