Detail Cantuman

SEGMENTASI PELANGGAN MENGGUNAKAN K-MEANS DAN FUZZY C-MEANS PADA LRFM DENGAN VARIASI TRANSFORMASI SKALA

ALAM VERDIAN SYAH DAULAY / 16201806 - Personal Name
120160503 - Nur Fitrianti Fahrudin, S.Kom., M.T. - Personal Name
Text English 2025 Sistem Informasi : FTI

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.

Ketersediaan

LOADING LIST...

Lampiran Berkas

LOADING LIST...

Detail Information

Bagian	Informasi
Pengarang	ALAM VERDIAN SYAH DAULAY / 16201806 - Personal Name 120160503 - Nur Fitrianti Fahrudin, S.Kom., M.T. - Personal Name
No. Panggil	068IS/25
Subyek	Segmentasi Pelanggan Clustering, K-Means, Fuzzy C-Means LRFM, Penskalaan fitur, Silhouette Score Davies-Bouldin Index, Calinski-Harabasz Index
Fakultas	FTI
Tahun Terbit	2025
Jurusan	Sistem Informasi
Deskripsi Fisik
Info Detil Spesifik

Citation

APA Style

. (2025).SEGMENTASI PELANGGAN MENGGUNAKAN K-MEANS DAN FUZZY C-MEANS PADA LRFM DENGAN VARIASI TRANSFORMASI SKALA().Sistem Informasi:FTI

Chicago Style

.SEGMENTASI PELANGGAN MENGGUNAKAN K-MEANS DAN FUZZY C-MEANS PADA LRFM DENGAN VARIASI TRANSFORMASI SKALA().Sistem Informasi:FTI,2025.Text

MLA Style

.SEGMENTASI PELANGGAN MENGGUNAKAN K-MEANS DAN FUZZY C-MEANS PADA LRFM DENGAN VARIASI TRANSFORMASI SKALA().Sistem Informasi:FTI,2025.Text

Turabian Style

.SEGMENTASI PELANGGAN MENGGUNAKAN K-MEANS DAN FUZZY C-MEANS PADA LRFM DENGAN VARIASI TRANSFORMASI SKALA().Sistem Informasi:FTI,2025.Text

Detail Cantuman

SEGMENTASI PELANGGAN MENGGUNAKAN K-MEANS DAN FUZZY C-MEANS PADA LRFM DENGAN VARIASI TRANSFORMASI SKALA

Detail Information

Citation

Homepage Info

Koleksi

Media Sosial / Kanal

Address