Analisis Segmentasi dan Prediksi Pola Pembelian IC Label Gamis Menggunakan Hybrid K-Means Random Forest

Abstrak

Industri fashion muslim, khususnya busana gamis, menghadapi tantangan dalam memahami pola pembelian konsumen yang bersifat fluktuatif, sehingga kerap menimbulkan permasalahan overstock dan stockout. Penelitian ini bertujuan untuk menganalisis segmentasi pelanggan dan memprediksi pola pembelian gamis pada toko IC Label melalui pendekatan hibrida yang mengintegrasikan algoritma K-Means Clustering dan Random Forest Classification. Data yang digunakan merupakan 1.000 transaksi penjualan dari platform e-commerce Shopee pada periode Januari 2025 hingga Maret 2026. Metodologi penelitian mengacu pada kerangka kerja CRISP-DM, yang meliputi eksplorasi data, preprocessing, ekstraksi fitur RFM, pemodelan, serta evaluasi. Hasil penerapan K-Means dengan K=4 menghasilkan empat segmen pelanggan yang terdistribusi secara merata, yaitu: Pembeli Premium Wilayah Jawa (26,1%), Pembeli Sumatera Sensitif Diskon (24,9%), Pembeli Digital Wilayah Kepulauan (23,3%), dan Pembeli Mitra Wilayah Sumatera Bagian Selatan (25,7%). Label klaster hasil segmentasi selanjutnya digunakan sebagai variabel target pada model Random Forest, yang menghasilkan akurasi 96,38% pada data latih dan 68,00% pada data uji dengan konsistensi cross-validation 5-fold sebesar 68,70% (±3,50%). Analisis feature importance mengidentifikasi variabel provinsi (40,5%) dan jasa pengiriman (26,8%) sebagai faktor paling dominan dalam menentukan segmen pembeli. Simulasi prediksi pada pembeli baru membuktikan kemampuan model dalam mengklasifikasikan segmen secara real-time. Penelitian ini berkontribusi secara praktis dalam mendukung strategi pemasaran tersegmentasi, optimasi manajemen inventori, dan penguatan loyalitas pelanggan berbasis data pada industri fashion muslim.