Menerapkan Algoritma Data Mining Untuk Memahami Profil dan Preferensi Pembeli Online Menggunakan Metode K – Means
DOI:
https://doi.org/10.35473/jamastika.v5i1.4712Abstract
The swift growth of e-commerce produces vast volumes of transaction records which are currently not fully leveraged to comprehend the habits and choices of online consumers. This research utilizes the K-Means algorithm for clustering, a technique in data mining, to uncover buying habits and create profiles of digital shoppers.The research procedure includes data collection, preprocessing, normalization, determination of the optimal number of clusters using the Elbow Method, and cluster quality evaluation through the Silhouette Score and Davies–Bouldin Index. The results reveal that online buyers can be grouped into several distinct segments, including high-value consumers, high-frequency active buyers, and low-spending passive users. Every segment exhibits distinctive patterns of behavior which enable businesses to formulate highly tailored marketing plans, boost customer loyalty, and refine decisions based on data.The results demonstrate the efficacy of the K-Means algorithm in processing transactional information, yielding valuable insights concerning customer preferences. Consequently, this research underscores the critical role of clustering methodologies in improving strategic choices within the digital commerce sphere.
Keywords: K-Means, data mining, customer segmentation, e-commerce, purchasing patterns.
Pertumbuhan pesat e-commerce menyebabkan meningkatnya volume data transaksi yang belum dimanfaatkan secara optimal untuk memahami perilaku dan preferensi pembeli online. Berbagai penelitian terkait segmentasi pelanggan menunjukkan bahwa metode K-Means Clustering efektif dalam mengidentifikasi pola pembelian dan karakteristik konsumen berdasarkan atribut seperti frekuensi transaksi, nilai belanja, waktu pembelian, serta variabel perilaku lainnya. Penelitian ini menerapkan algoritma K-Means sebagai teknik data mining untuk memprofilkan pembeli online dan menggali preferensi mereka melalui analisis pola transaksi. Tahapan penelitian meliputi pengumpulan data, pra-pemrosesan, normalisasi, penentuan jumlah klaster optimal menggunakan Metode Elbow, serta evaluasi kualitas klaster dengan Silhouette Score maupun Davies-Bouldin Index sebagaimana diterapkan pada penelitian sebelumnya . Hasil dari klasterisasi dalam penelitian ini mengindikasikan bahwa para pembeli dapat dibagi menjadi berbagai segmen pelanggan yang memiliki karakteristik yang berbeda. Segmen-segmen ini mencakup konsumen dengan nilai transaksi tinggi, konsumen yang sangat aktif (berfrekuensi tinggi), dan juga konsumen yang kurang aktif dengan nilai pembelian yang rendah. Penemuan ini konsisten dengan hasil studi sebelumnya yang relevan dalam bidang e-commerce dan ritel. Dengan demikian, penerapan algoritma K-Means terbukti mampu membantu memahami profil dan preferensi pembeli online secara lebih mendalam serta meningkatkan efektivitas strategi bisnis digital.
Kata Kunci: K-Means, data mining, segmentasi pelanggan, e-commerce, pola pembelian.
References
Ardana, Candra Hafidz Et Al. 2024. “Segmentasi Pelanggan Penjualan Online Menggunakan Metode K-Means Clustering.” 9(1): 1–9.
Dan, Algoritma K-Means, Dataset Kaggle, Teknik Informatika, And Universitas Asahan. 2025. “Clustering Data Konsumen E-Commerce Menggunakan.” 04(2): 96–109.
Dewa, Fariska Atha, And Maria Titah Jatipaningrum. 2019. “SEGMENTASI E-COMMERCE DENGAN CLUSTER K-MEANS DAN FUZZY C-MEANS ( Studi Kasus : Media Sosial Di Indonesia Yang Diunduh Di Play Store ).” 4(1): 53–67.
E-Commerce, Transaksi, Budi Apriyanto, Sartika Lina, And Mulani Sitio. 2025. “Penerapan K-Means Dalam Menganalisis Pola Pembelian Pelanggan Pada Data.” 7(3). Doi:10.32877/Bt.V7i3.2195.
Frandika, Imam, Sofana Bayor Hud, And Wiwin Handoko. 2025. “Penerapan K-Means Clustering Untuk Segmentasi Penjualan Di Minimarket Mardi Dengan Pendekatan Machine Learning.” 3(September): 174–82.
Kristanti, Beni Tiyas, Achmad Junaidi, And Eka Prakarsa Mandyartha. 2024. “IMPLEMENTASI K-MEANS CLUSTER ING DALAM SEGMENTASI PELANGGAN BERDASARKAN USIA, PENDAPATAN, DAN MODEL RFM ( STUDI KASUS : LANTIKYA STORE JOMBANG ).” 12(3).
Kusdaryanto, Ardo Et Al. 2025. “The Use Of The K-Means Algorithm In Analyzing E-Commerce Consumer Segmentation : A Case Study Of The Online Retail Dataset ( UK ).” 8(2): 612–22.
Sari, Riyani Wulan, Anjar Wanto, And Agus Perdana Windarto. 2018. “IMPLEMENTASI RAPIDMINER DENGAN METODE K-MEANS ( STUDY KASUS: IMUNISASI CAMPAK PADA BALITA BERDASARKAN PROVINSI ).” 2: 224–30.
Z. Fatah. 2025. TIK Dan Masyarakat. Cetakan Pe. Yogyakarta: PT Penamuda Media.
