Analisis Perbandingan Algoritma K-Means, DBSCAN, dan Hierarchical Clustering untuk Segmentasi Pelanggan E-Commerce Berbasis RFM
DOI:
https://doi.org/10.62712/juktisi.v5i2.1334Keywords:
Segmentasi Pelanggan, RFM, K-Means, DBSCAN, Hierarchical ClusteringAbstract
Pertumbuhan e-commerce di Indonesia telah mendorong akumulasi data transaksi dalam jumlah yang sangat besar, yang apabila dikelola dengan tepat dapat menjadi aset strategis bagi perusahaan dalam memahami perilaku pelanggannya. Salah satu pendekatan yang efektif adalah segmentasi pelanggan berbasis model Recency, Frequency, dan Monetary (RFM). Penelitian ini membandingkan tiga algoritma clustering, yaitu K-Means, DBSCAN, dan Hierarchical Clustering, dalam segmentasi pelanggan e-commerce berbasis RFM. Data yang digunakan adalah Online Retail Dataset dari Kaggle yang memuat 541.909 transaksi periode Desember 2010 hingga Desember 2011. Setelah prapemrosesan, sebanyak 397.884 baris data bersih diagregasikan menjadi profil RFM untuk 4.338 pelanggan. Data ditransformasi menggunakan log1p, winsorizing 3×IQR, dan standarisasi StandardScaler sebelum proses clustering. Kualitas cluster dievaluasi menggunakan tiga metrik internal, yaitu Silhouette Score (SS), Davies-Bouldin Index (DBI), dan Calinski-Harabasz Index (CHI). Hasil evaluasi menunjukkan K-Means dengan K=3 unggul pada ketiga metrik (SS=0,337, DBI=1,048, CHI=3.632), diikuti Hierarchical Clustering (SS=0,320, DBI=1,105, CHI=3.275), dan DBSCAN dengan skor terendah (SS=0,294, CHI=2.395) meski tetap unggul dalam mendeteksi pelanggan VIP sebagai outlier. K-Means menghasilkan tiga segmen yang mudah diinterpretasikan, yaitu Champions (17,77%), Regular Customers (39,07%), dan Lost Customers (43,15%), menjadikannya algoritma paling optimal untuk segmentasi pelanggan e-commerce berbasis RFM.
Downloads
References
[1] R. M. Fauzan and G. Alfian, “Segmentasi pelanggan e-commerce menggunakan fitur recency, frequency, monetary (RFM) dan algoritma klasterisasi K-Means,” JISKA (Jurnal Inform. Sunan Kalijaga), vol. 9, no. 3, pp. 170–177, 2024.
[2] Alamsyah et al., “Customer segmentation using the integration of the recency frequency monetary model and the K-Means cluster algorithm,” Sci. J. Informatics, vol. 9, no. 2, pp. 189–196, 2022, doi: 10.15294/sji.v9i2.39437.
[3] P. Anitha and M. M. Patil, “RFM model for customer purchase behavior using K-Means algorithm,” J. King Saud Univ. - Comput. Inf. Sci., vol. 34, no. 5, pp. 1785–1792, 2022, doi: 10.1016/j.jksuci.2019.12.011.
[4] B. T. Kristanti, A. Junaidi, and E. P. Mandyartha, “Implementasi K-Means clustering dalam segmentasi pelanggan berdasarkan usia, pendapatan, dan model RFM (studi kasus: Lantikya Store Jombang),” JITET (Jurnal Inform. dan Tek. Elektro Terapan), vol. 12, no. 3, 2024.
[5] R. Windy, R. Rita, and Mustafid, “Segmentasi pelanggan e-money dengan menggunakan algoritma DBSCAN (Density Based Spatial Clustering Applications with Noise) di Provinsi DKI Jakarta,” J. GAUSSIAN, vol. 9, pp. 162–169, 2020.
[6] I. K. Y. Triantara, M. A. Raharja, and I. B. G. Sarasvananda, “Segmentasi pelanggan berbasis RFMT menggunakan K-Means dan hierarchical clustering,” J. Nas. Teknol. Inf. dan Apl., vol. 3, no. M, pp. 917–924, 2025.
[7] M. F. Fadhillah, S. Aldo Lovely Arief, and I. Puspitasari, “Segmentasi pelanggan dengan algoritma clustering berdasarkan atribut recency, frequency dan monetary (RFM),” MALCOM Indones. J. Mach. Learn. Comput. Sci., vol. 5, no. January, pp. 48–56, 2025.
[8] D. S. Nugaha, I. Thoib, N. Sururi, F. B. F, and B. P. Candra, “Segmentasi pelanggan berbasis analisis RFM menggunakan algoritma K-Means clustering,” J. Komput. Teknol. Inf. Sist. Komput., vol. 4, no. 2, pp. 1361–1369, 2025.
[9] A. Saputra and R. Yusuf, “Perbandingan algoritma DBSCAN dan K-Means dalam segmentasi pelanggan pengguna transportasi publik Transjakarta menggunakan metode RFM,” MALCOM Indones. J. Mach. Learn. Comput. Sci., vol. 4, no. October, pp. 1346–1361, 2024.
[10] S. D. K. Wardani, A. S. Ariyanto, M. Umroh, and D. Rolliawati, “Perbandingan hasil metode clustering K-Means, DBSCAN & hierarchical untuk analisa segmentasi pasar,” JIKO (Jurnal Inform. dan Komputer), vol. 7, no. 2, pp. 191–201, 2023.
[11] T. Z. Fate, D. S. Ezra, and I. I. Samuel, “Comparative analysis of clustering techniques for customer segmentation: Evaluating K-Means, hierarchical, and DBSCAN models alongside RFM frameworks to enhance marketing strategies through behavioral, demographic, and transactional insights,” Int. J. Adv. Eng. Manag., vol. 7, no. 04, pp. 34–43, 2025, doi: 10.35629/5252-07043443.
[12] J. M. John, O. Shobayo, and Bayode, “An exploration of clustering algorithms for customer segmentation in the UK retail market,” Analytics, vol. 2, no. 4, pp. 809–823, 2023.
[13] P. I. Pangestu, T. I. Hermanto, and D. Irmayanti, “Analisis segmentasi pelanggan berbasis model recency frequency dan monetary (RFM),” JITET (Jurnal Inform. dan Tek. Elektro Terapan), vol. 11, no. 3, pp. 930–937, 2023.
[14] Widyawati, W. Laksito Yuly Saptomo, and Y. R. W. Utami, “Penerapan agglomerative hierarchical clustering untuk segmentasi pelanggan,” J. Ilm. Sinus, vol. 18, no. 1, pp. 75–87, 2020.
[15] I. R. C. Pata, Statiswaty, and N. Ransi, “Segmentasi pemetaan pelanggan potensial menggunakan algoritma DBSCAN dengan RFM model berbasis web,” ANIMATOR, vol. 1, no. 2, pp. 63–71, 2023.
[16] A. D. Savitri, F. A. Bachtiar, and N. Y. Setiawan, “Segmentasi pelanggan menggunakan metode K-Means clustering berdasarkan model RFM pada klinik kecantikan (studi kasus: Belle Crown Malang),” J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 2, no. 9, pp. 2957–2966, 2018.
[17] P. R. Sihombing, D. A. Sunarjo, Y. Paulus, and A. C. Yuda, “Identifikasi data outlier (pencilan) dan kenormalan data pada data univariat serta alternatif penyelesaiannya,” J. Ekon. dan Stat. Indones., vol. 2, no. 3, pp. 307–315, 2022, doi: 10.11594/jesi.02.03.07.
[18] I. F. Ashari, E. D. Nugroho, R. Baraku, I. N. Yanda, and R. Liwardana, “Analysis of elbow, silhouette, Davies-Bouldin, Calinski-Harabasz, and rand-index evaluation on K-Means algorithm for classifying flood-affected areas in Jakarta,” J. Appl. Informatics Comput., vol. 7, no. 1, pp. 95–103, 2023.
[19] I. Permana and F. N. Salisah, “Pengaruh normalisasi data terhadap performa hasil klasifikasi algoritma backpropagation,” IJIRSE Indones. J. Inform. Res. Softw. Eng., vol. 2, no. 1, pp. 67–72, 2022.
[20] S. I. Murpratiwi, I. G. A. Indrawan, and A. Aranta, “Analisis pemilihan cluster optimal dalam segmentasi,” J. Pendidik. Teknol. dan Kejuru., vol. 18, no. 2, pp. 152–163, 2021.
[21] R. W. B. S. Berahmana, F. A. Mohammed, and K. Chairuang, “Customer segmentation based on RFM model,” LONTAR Komput., vol. 11, no. 1, pp. 32–43, 2020.
[22] K. E. Setiawan and A. Kurniawan, “Pengelompokan rumah sakit di Jakarta menggunakan model DBSCAN, Gaussian mixture, dan hierarchical clustering,” J. Inform. Terpadu, vol. 9, no. 2, pp. 149–156, 2023.
[23] Y. Hasan, “Pengukuran silhouette score dan Davies-Bouldin index pada hasil cluster K-Means,” JITET (Jurnal Inform. dan Tek. Elektro Terapan), vol. 12, no. 3, pp. 3517–3536, 2024.
[24] I. R. Effendy, Y. A. Manurung, and M. I. Hujaifah, “Implementasi algoritma K-Means clustering untuk mencari preferensi pelanggan toko online Tazeee Clothes,” J. MEDIA Inform. [JUMIN], vol. 7, no. 1, pp. 69–76, 2026.
Published
How to Cite
Issue
Section
License
Copyright (c) 2026 Ahmad Farhan Ramadhansyah, Wa Ode Cantika Nurhajratul Uswah, Rezky Aulia, Adha Mashur Sajiah
This work is licensed under a Creative Commons Attribution 4.0 International License.
