BAB 6 : Clustering & Segmentasi Pasar

A. DASAR TEORI

1. Konsep Clustering

a) Clustering sebagai Metode Unsupervised Learning

Clustering merupakan metode unsupervised learning yang mengelompokkan data tanpa label, berdasarkan kemiripan karakteristik. Berbeda dari supervised learning yang membutuhkan label, clustering digunakan untuk menemukan pola tersembunyi dalam data.

b) Tujuan Clustering: Mengelompokkan Data Berdasarkan Kemiripan

Tujuan utama clustering adalah mengelompokkan data yang mirip ke dalam satu cluster dan memisahkannya dari kelompok lain. Dalam konteks e-commerce, clustering dapat digunakan untuk mengelompokkan pelanggan berdasarkan kebiasaan belanja sehingga membantu strategi promosi.

c) Perbedaan Clustering dan Klasifikasi

Aspek	Clustering (Unsupervised)	Klasifikasi (Supervised)
Label Data	Tidak ada label	Menggunakan label
Tujuan	Menemukan pola/kelompok tersembunyi	Memprediksi label baru
Contoh Kasus	Segmentasi pelanggan, analisis perilaku	Deteksi spam, churn, dll

2. Algoritma Clustering

a) K-Means Clustering

K-Means membagi data ke dalam k cluster berdasarkan jarak ke pusat cluster (centroid). Algoritma berjalan iteratif hingga posisi centroid stabil.

• Kelebihan: sederhana, cepat, cocok untuk dataset besar.

• Kekurangan: harus menentukan jumlah cluster di awal, sensitif terhadap outlier dan bentuk cluster.

b) Hierarchical Clustering

Metode ini membentuk struktur pohon (dendrogram) untuk melihat hubungan antar data tanpa menentukan jumlah cluster sejak awal.

• Bottom-Up (Agglomerative): mulai dari tiap data lalu digabung.

• Top-Down (Divisive): mulai dari cluster besar lalu dipecah.

• Kelemahan: kurang efisien untuk dataset besar.

c) Menentukan Jumlah Cluster: Elbow & Silhouette

• Elbow Method: melihat grafik WCSS untuk menentukan titik “siku” sebagai jumlah cluster optimal.

• Silhouette Score: menilai kualitas cluster (semakin mendekati 1 semakin baik).

Berikut salinan teks dari gambar tersebut:

---

3. Aplikasi Clustering dalam Bisnis Digital

a) Segmentasi Pelanggan:
Clustering membantu membagi pelanggan e-commerce berdasarkan perilaku seperti frekuensi belanja, nilai transaksi, dan respons terhadap promo. Setiap segmen dapat diberi pendekatan pemasaran berbeda.

b) Analisis Pola Belanja:
Digunakan untuk menemukan pola pembelian bersamaan, seperti pelanggan yang membeli popok juga membeli tisu basah. Ini mendukung bundling, rekomendasi produk, dan strategi katalog.

c) Market Segmentation:
Clustering membantu membagi pasar menjadi segmen homogen berdasarkan demografi, minat, atau perilaku. Hal ini memungkinkan strategi pemasaran yang lebih personal dan efisien.

Kesimpulan:
Clustering memungkinkan identifikasi pola tersembunyi dari data mentah. Dalam bisnis digital, ini berguna untuk memahami pelanggan dan mendukung pengambilan keputusan berbasis data.

Latihan Bab 6 : Latihan bab 6 

Praktikum Bab 6 : Praktikum 6

Tugas Bab 6 : Tugas

Referensi

Sumber utama:

Modul Praktikum Machine Learning & AI, disusun oleh Adi Muhamad Muhsidi (2025).

Program Studi Bisnis Digital Fakultas Ekonomi dan Bisnis, Universitas Kuningan. 

link: https://heyzine.com/flip-book/cbbbf75431.html

Atau dapat diakses langsung dari blog pribadi penulis di: https://adi-muhamad.my.id