Perbandingan Metode K-Medoids dan Metode K-Means Dalam Analisis Segmentasi Pelanggan Mall

Abstract

Memahami pelanggan sangat penting untuk mengelola operasi perusahaan. Dengan mengetahui dan memahami setiap pelanggan, dapat meningkatkan komunikasi layanan produk dengan menyesuaikan kebutuhan dan layanan kepada setiap pelanggan. Namun, analisis pelanggan sangat luas sehingga sulit untuk memahami kebutuhan masing-masing pelanggan. Hal ini dapat mencakup berbagai karakteristik dan perilaku pelanggan. Oleh karena itu, diperlukan segmentasi pelanggan untuk mengelompokkan pelanggan berdasarkan perilaku dan karakteristiknya. Tujuan dari penelitian ini adalah membandingkan metode clustering untuk mendapatkan metode yang lebih baik dan optimal dalam mengelompokkan cluster untuk segmentasi pelanggan. Dari permasalahan tersebut, peneliti menerapkan metode CRISP-DM dengan focus pada analisis cluster atau pengelompokkan dengan membandingkan algoritma K-Means dan K-Medoids terhadap Analisa segmentasi pelanggan pada mall. Pada penerapan perbandingan metode K-Means dan K-Medoids, digunakan metode elbow untuk menentukan jumlah cluster yang optimal. Hasil dari metode elbow menunjukkan bahwa penggunaan lima cluster untuk metode K-Means dan empat cluster untuk metode K-Medoids merupakan pilihan yang tepat dalam kasus ini. Langkah selanjutnya adalah mencari nilai Silhouette Coefficient setiap metode yang digunakan dalam perbandingan untuk menentukan metode clustering yang lebih optimal. Hasil nilai yang diperoleh dari metode Silhouette Coefficient masing-masing metode adalah k-means adalah 0,553 dan k-medoid adalah 0,485, sehingga algoritma pengelompokan segmentasi pelanggan terbaik pada penelitian ini adalah algoritma K-means karena memiliki nilai koefisien siluet maksimum.