ANALISIS PERBANDINGAN ALGORITMA K-MEANS DAN FUZZY C-MEANS DALAM SEGMENTASI POLA TRANSAKSI PELANGGAN E-COMMERCE BERDASARKAN MODEL RECENCY, FREQUENCY, AND MONETARY (RFM)

Abstrak

Pertumbuhan transaksi belanja daring pada industri e-commerce menghasilkan volume data transaksi yang sangat besar, menuntut pemanfaatan data mining untuk memahami pola perilaku konsumen. Penelitian ini bertujuan membandingkan kinerja dua algoritma pengelompokan tanpa supervisi, yaitu K-Means dan Fuzzy C-Means (FCM), dalam segmentasi pelanggan berbasis model Recency, Frequency, and Monetary (RFM). Sebanyak 4.372 data transaksi pelanggan diekstraksi dan dinormalisasi menggunakan Min-Max Scaler. Penentuan jumlah klaster optimal dievaluasi menggunakan metode Elbow dan Silhouette Coefficient pada rentang k = 2 hingga 8. Hasil evaluasi menunjukkan bahwa k = 4 merupakan klaster paling optimal. Algoritma K-Means menghasilkan nilai Silhouette Score rata-rata sebesar 0,612 dengan waktu komputasi 0,084 detik, sedangkan Fuzzy C-Means memperoleh Silhouette Score sebesar 0,587 dengan waktu komputasi 0,312 detik dan nilai Partition Coefficient (PC) sebesar 0,742. K-Means terbukti lebih unggul dalam kecepatan konvergensi iterasi dan ketegasan pemisahan batas antarklaster pelanggan (Champion, Loyal, At-Risk, Lost Customers) untuk mendukung personalisasi strategi promosi pemasaran digital e-commerce.