// <![CDATA[SEGMENTASI PELANGGAN MENGGUNAKAN K-MEANS DAN FUZZY C-MEANS PADA LRFM DENGAN VARIASI TRANSFORMASI SKALA]]> 120160503 - Nur Fitrianti Fahrudin, S.Kom., M.T. Dosen Pembimbing 1 ALAM VERDIAN SYAH DAULAY / 16201806 Penulis
Segmentasi pelanggan menjadi strategi penting dalam dunia bisnis digital untuk memahami pola perilaku konsumen secara lebih terarah. Salah satu pendekatan yang digunakan adalah model LRFM (Length, Recency, Frequency, Monetary), yang menilai loyalitas pelanggan berdasarkan riwayat transaksinya. Dalam penelitian ini, dilakukan perbandingan dua algoritma clustering, yaitu K-Means dan Fuzzy C-Means (FCM), dengan tiga jenis teknik penskalaan fitur data: StandardScaler, MinMaxScaler, dan RobustScaler. Hasil pengujian menunjukkan bahwa kombinasi Fuzzy C-Means dengan MinMaxScaler memberikan hasil segmentasi yang paling optimal. Kombinasi ini menghasilkan nilai Silhouette Score sebesar 0,8723, Davies–Bouldin Index sebesar 0,1935, dan Calinski–Harabasz Index sebesar 84.679,6, yang menunjukkan bahwa cluster yang terbentuk memiliki pemisahan yang jelas, kekompakan yang baik, dan struktur yang kuat. Temuan ini membuktikan bahwa pemilihan teknik penskalaan fitur dan algoritma yang sesuai sangat memengaruhi kualitas segmentasi, dan kombinasi FCM + MinMaxScaler dapat menjadi pendekatan yang efektif untuk segmentasi pelanggan dalam konteks e-commerce. Customer segmentation is an essential strategy in digital business to better understand consumer behavior patterns. One widely used approach is the LRFM (Length, Recency, Frequency, Monetary) model, which evaluates customer loyalty based on their transaction history. This study compares two clustering algorithms, K-Means and Fuzzy C-Means (FCM), in combination with three data normalization techniques: StandardScaler, MinMaxScaler, and RobustScaler. The results show that the combination of Fuzzy C-Means with MinMaxScaler delivers the most optimal segmentation outcome. This combination achieved a Silhouette Score of 0.8723, a Davies–Bouldin Index of 0.1935, and a Calinski–Harabasz Index of 84,679.6, indicating that the resulting clusters are well-separated, compact, and structurally strong. These findings demonstrate that the selection of an appropriate normalization method and clustering algorithm significantly influences segmentation quality, and the FCM + MinMaxScaler combination proves to be an effective approach for customer segmentation in the e-commerce context.