PERBANDINGAN ALGORITMA K-MEANS DAN HIERARCHICAL CLUSTERING UNTUK SEGMENTASI PELANGGAN PADA MALL CUSTOMER DATASET
DOI:
https://doi.org/10.52362/jisamar.v10i4.2448Keywords:
K-Means Clustering, Hierarchical Clustering, Segmentasi Pelanggan, Silhouette Score, Mall Customer Dataset, Data MiningAbstract
Pusat perbelanjaan memerlukan strategi segmentasi pelanggan yang tepat untuk meningkatkan efektivitas pemasaran dan loyalitas pelanggan di tengah persaingan industri ritel yang semakin ketat. Penelitian ini membandingkan dua algoritma clustering, yaitu K-Means dan Hierarchical Clustering dengan Ward linkage, diterapkan pada Mall Customer Dataset dari Kaggle yang terdiri atas 200 data pelanggan dengan fokus pada fitur Annual Income dan Spending Score. Praproses data mencakup pemeriksaan missing values, label encoding variabel Gender, dan normalisasi fitur menggunakan StandardScaler untuk menyetarakan skala variabel dalam perhitungan jarak Euclidean. Jumlah kluster optimal ditentukan melalui Elbow Method untuk K-Means dan analisis dendrogram untuk Hierarchical Clustering, keduanya menghasilkan K=5. Evaluasi menggunakan Silhouette Score menunjukkan K-Means memperoleh nilai 0,5547 dan Hierarchical Clustering 0,5538 dengan selisih sebesar 0,0009. Kedua algoritma secara konsisten mengidentifikasi lima segmen pelanggan, yaitu pelanggan menengah moderat, berpendapatan tinggi yang aktif berbelanja, muda antusias berpendapatan rendah, kaya konservatif, dan hemat berpendapatan rendah. Kemiripan hasil disebabkan oleh struktur klaster yang jelas secara visual, kualitas data yang bersih tanpa missing values dan duplikat, serta kesamaan objektif matematis kedua algoritma dalam meminimalkan within-cluster variance. K-Means lebih direkomendasikan untuk dataset berskala besar karena efisiensi komputasinya, sedangkan Hierarchical Clustering unggul dalam visualisasi struktural melalui dendrogram dan sifatnya yang deterministik. Implikasi praktis berupa panduan strategi pemasaran berbasis segmen yang dapat langsung diterapkan oleh manajemen pusat perbelanjaan
Downloads
References
[2] A. P. Sanevil and S. S. Hidayah, “Penerapan Teknik Data Mining Clustering Pengunjung Mall dengan Algoritma K-Means,†J. Teknol. Sist. Inf., vol. 6, no. 1, pp. 11–20, 2025, doi: 10.35957/jtsi.v6i1.10128.
[3] H. Safitri, S. Putri Lenggo Geni, F. Merry, and M. Wati, “Penerapan K-Means Clustering untuk Segmentasi Konsumen E-Commerce Berdasarkan Pola Pembelian,†JUKI J. Komput. dan Inform., vol. 7, no. 1, pp. 89–99, 2025.
[4] R. D. Nugraha, D. D. Adelia, and D. Rivaldi, “Segmentasi Pelanggan Retail Berbasis Perilaku menggunakan Algoritma K-Means Clustering,†Digit. Transform. Technol., vol. 5, no. 2, pp. 141–148, 2025, [Online]. Available: https://itscience.org/jurnal/index.php/digitech/article/view/6340
[5] 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),†J. Inform. dan Tek. Elektro Terap., vol. 12, no. 3, 2024, doi: 10.23960/jitet.v12i3.4677.
[6] H. Muhammad, H. Haryadi, and Sularno, “Segmentasi Pelanggan Berdasarkan Pendapatan dan Skor Pengeluaran Menggunakan Metode K-Means,†J. Sains Dan Teknol., vol. 4, no. 3, pp. 325–337, 2024, doi: 10.47233/jsit.v4i3.2468.
[7] M. A. Pakpahan, S. Sahid, M. M. F. Simanullang, and R. P. Winanda, “Analisis Hierarchical Clustering untuk Segmentasi Pelanggan pada Dataset Mall Customers,†J. Sist. Inf. dan Inform., vol. 4, no. 1, pp. 58–63, 2026, doi:10.47233/jiska.v4i1.2615.
[8] R. Eva Yuliana, D. Mariatul Ulya, and M. Jamhuri, “Mall Customer Segmentation Using K-Means Clustering Optimized by the Elbow Method,†J. Ris. Mhs. Mat., vol. 4, no. 5, pp. 273–286, 2025, doi: 10.18860/jrmm.v4i5.33389.
[9] S. D. K. Wardani, A. S. Ariyanto, M. Umroh, and D. Rolliawati, “Comparison of K-Means, Db Scanner & Hierarchical Clustering Method Results for Market Segmentation Analysis,†JIKO (Jurnal Inform. dan Komputer), vol. 7, no. 2, p. 191, 2023.
[10] 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. 4, pp. 917–924, 2025.
[11] F. D. Wahyuningtyas, A. Arafat, A. Stiawan, and D. Rolliawati, “Komparasi Algoritma Hierarchical, K-Means, dan DBSCAN pada Analisis Data Penjualan Melalui Facebook,†Explor. J. Sist. Inf. dan Telemat., vol. 14, no. 1, p. 7, 2023, doi: 10.36448/jsit.v14i1.2931.
[12] M. S. Hasibuan, A. H. Lubis, and M. N. Sari, “Perbandingan algoritma clustering dbscan dan k-means dalam pengelompokan siswa terbaik Comparison of dbscan and k-means clustering algorithms in grouping the best students,†INFOTECH J. Inform. Teknol., vol. 5, pp. 301–309, 2024.
[13] T. A. Toto, “Perbandingan Algoritma K-Means Dan Agglomerative Hierarchical Clustering Untuk Pengelompokan Daerah Penghasil Padi Di Indonesia,†J. Inform. dan Tek. Elektro Terap., vol. 13, no. 3, 2025, doi: 10.23960/jitet.v13i3.7251.
[14] N. L. A. N. Dewi, A. Z. Assyadida, S. M. Witanto, M. Nasrudin, and K. M. Hindrayani, “Komparasi Hasil Segmentasi Metode K-Means dan Agglomerative Hierarchical Terhadap Provinsi di Indonesia Berdasarkan Profil Perjalanan Wisata Tahun 2024,†STATMAT J. Stat. dan Mat., vol. 7, no. 3, pp. 482–502, 2025, doi: 10.32493/sm.v7i3.49999.
[15] A. Ramadhan, F. Achmad, I. Zulkarnain, and M. Aritsugi, “Evaluation of K-Means, DBSCAN, and Hierarchical Clustering for Strategic Segmentation of Tourism SMEs in Rembang, Indonesia,†J. Tek. Inform., vol. 6, no. 3, pp. 1605–1630, 2025, doi: 10.52436/1.jutif.2025.6.3.4602.
Downloads
Published
Issue
Section
License
Copyright (c) 2026 Putri Nazwa Salsabila Sufi, Haffiyan Putra Pratama
This work is licensed under a Creative Commons Attribution 4.0 International License.
.png)
3.png)
