Pengaruh Feature Engineering terhadap Kualitas Clustering pada Segmentasi Pelanggan Ritel Daring

Amril Mutoi Siregar

doi:10.30591/jpit.v11i2.10267

Pengaruh Feature Engineering terhadap Kualitas Clustering pada Segmentasi Pelanggan Ritel Daring

Amril Mutoi Siregar

Abstract

Segmentasi pelanggan yang didasarkan pada data transaksi merupakan tantangan signifikan dalam ranah pemasaran digital, karena kemanjuran hasil pengelompokan sangat bergantung pada fitur yang digunakan. Ketergantungan pada fitur transaksi yang belum sempurna sering menghasilkan metrik evaluasi numerik yang meningkat; Namun, itu tidak cukup menangkap seluk-beluk perilaku pelanggan yang sebenarnya. Upaya penelitian ini berusaha untuk menyelidiki dampak rekayasa fitur pada kualitas segmentasi yang berkaitan dengan pelanggan ritel online. Metodologi yang digunakan adalah kerangka kerja kuantitatif eksperimental yang menyandingkan dua model fitur, khususnya Model 1 yang didasarkan pada fitur fundamental dan Model 2 yang berlabuh dalam fitur rekayasa perilaku pelanggan, mencakup RFM, Nilai Pesanan Rata-Rata, dan keragaman produk. Untuk tujuan ini, tiga algoritma pengelompokan tanpa pengawasan digunakan, yaitu K-Means, Model Campuran Gaussian, dan DBSCAN, dengan evaluasi dilakukan menggunakan Skor Silhouette dan Indeks Davies-Bouldin. Temuan menunjukkan bahwa sementara Model 1 menghasilkan nilai metrik yang unggul, ia menunjukkan relevansi yang berkurang dengan konteks bisnis. Sebaliknya, Model 2 menghasilkan cluster yang ditandai dengan peningkatan stabilitas, konsistensi, dan interpretabilitas untuk aplikasi pemasaran. Studi ini akhirnya menyimpulkan bahwa keberhasilan segmentasi pelanggan sebagian besar dipengaruhi oleh kaliber rekayasa fitur daripada hanya nilai yang meningkat dari metrik evaluasi internal

Keywords

Customer Segmentation; Clustering; Feature Engineering; Ritel Daring; Machine Learning

Full Text:

References

R. M. Fauzan and G. Alfian, “Segmentasi Pelanggan E-Commerce Menggunakan Fitur Recency, Frequency, Monetary (RFM) dan Algoritma Klasterisasi K-Means,” JISKA (Jurnal Inform. Sunan Kalijaga), vol. 9, no. 3, pp. 170–177, Sep. 2024, doi: 10.14421/jiska.2024.9.3.170-177.

J. Salminen, M. Mustak, M. Sufyan, and B. J. Jansen, “How can algorithms help in segmenting users and customers? A systematic review and research agenda for algorithmic customer segmentation,” J. Mark. Anal., vol. 11, no. 4, pp. 677–692, Dec. 2023, doi: 10.1057/s41270-023-00235-5.

N. Kumar, “Intelligent customer segmentation: unveiling consumer patterns with machine learning,” J. Umm Al-Qura Univ. Eng. Archit., vol. 16, no. 3, pp. 774–783, Sep. 2025, doi: 10.1007/s43995-025-00180-7.

Z. Wang, “Customer Segmentation Based on Machine Learning Methods,” Highlights Sci. Eng. Technol., vol. 92, pp. 126–132, Apr. 2024, doi: 10.54097/g70xqb16.

A. M. Haddadi and H. Hamidi, “A hybrid model for improving customer lifetime value prediction using stacking ensemble learning algorithm,” Comput. Hum. Behav. Reports, vol. 18, p. 100616, May 2025, doi: 10.1016/j.chbr.2025.100616.

J. M. John, O. Shobayo, and B. Ogunleye, “An Exploration of Clustering Algorithms for Customer Segmentation in the UK Retail Market,” Analytics, vol. 2, no. 4, pp. 809–823, Oct. 2023, doi: 10.3390/analytics2040042.

M. Alves Gomes and T. Meisen, “A review on customer segmentation methods for personalized customer targeting in e-commerce use cases,” Inf. Syst. E-bus. Manag., vol. 21, no. 3, pp. 527–570, Sep. 2023, doi: 10.1007/s10257-023-00640-4.

K. P. Sinaga and M.-S. Yang, “Unsupervised K-Means Clustering Algorithm,” IEEE Access, vol. 8, pp. 80716–80727, 2020, doi: 10.1109/ACCESS.2020.2988796.

Z.-J. Lee, C.-Y. Lee, L.-Y. Chang, and N. Sano, “Clustering and Classification Based on Distributed Automatic Feature Engineering for Customer Segmentation,” Symmetry (Basel), vol. 13, no. 9, p. 1557, Aug. 2021, doi: 10.3390/sym13091557.

S. Monalisa, Y. Juniarti, E. Saputra, F. Muttakin, and T. K. Ahsyar, “Customer segmentation with RFM models and demographic variable using DBSCAN algorithm,” TELKOMNIKA (Telecommunication Comput. Electron. Control, vol. 21, no. 4, p. 742, Aug. 2023, doi: 10.12928/telkomnika.v21i4.22759.

H. Ramadhan, M. R. Abdan Kamaludin, M. A. Nasrullah, and D. Rolliawati, “Comparison of Hierarchical, K-Means and DBSCAN Clustering Methods for Credit Card Customer Segmentation Analysis Based on Expenditure Level,” J. Appl. Informatics Comput., vol. 7, no. 2, pp. 246–251, Dec. 2023, doi: 10.30871/jaic.v7i2.5790.

K. Tabianan, S. Velu, and V. Ravi, “K-Means Clustering Approach for Intelligent Customer Segmentation Using Customer Purchase Behavior Data,” Sustainability, vol. 14, no. 12, p. 7243, Jun. 2022, doi: 10.3390/su14127243.

Y. Zhang et al., “Gaussian Mixture Model Clustering with Incomplete Data,” ACM Trans. Multimed. Comput. Commun. Appl., vol. 17, no. 1s, pp. 1–14, Jan. 2021, doi: 10.1145/3408318.

D. Deng, “DBSCAN Clustering Algorithm Based on Density,” in 2020 7th International Forum on Electrical Engineering and Automation (IFEEA), Sep. 2020, pp. 949–953, doi: 10.1109/IFEEA51475.2020.00199.

- William and M. E. Johan, “Implementation of Customer Segmentation Model using K-Means and DBSCAN for Fashion Industry Product Transaction,” JOIV Int. J. Informatics Vis., vol. 9, no. 6, p. 2559, Nov. 2025, doi: 10.62527/joiv.9.6.2978.

A. S. Paramita and T. Hariguna, “Comparison of K-Means and DBSCAN Algorithms for Customer Segmentation in E-commerce,” J. Digit. Mark. Digit. Curr., vol. 1, no. 1, pp. 43–62, Jun. 2024, doi: 10.47738/jdmdc.v1i1.3.

DOI: https://doi.org/10.30591/jpit.v11i2.10267