Penerapan Clustering K-Means Untuk Segmentasi Pengguna Shopee Berdasarkan Perilaku Interaksi dan Riwayat Belanja

Perkembangan e-commerce yang semakin pesat, khususnya pada platform Shopee, telah menghasilkan volume data pengguna yang sangat besar dan terus meningkat. Data tersebut memiliki potensi untuk dimanfaatkan dalam menganalisis perilaku pelanggan dan mendukung pengambilan keputusan bisnis. Namun, sebagian besar penelitian sebelumnya masih berfokus pada data transaksi tanpa mempertimbangkan perilaku interaksi pengguna secara menyeluruh, seperti frekuensi kunjungan, jumlah klik produk, aktivitas keranjang, dan penggunaan fitur aplikasi. Kondisi tersebut menyebabkan hasil segmentasi belum mampu menggambarkan karakteristik pengguna secara komprehensif.
Penelitian ini menggunakan metode K-Means Clustering dengan pendekatan CRISP-DM (Cross Industry Standard Process for Data Mining) sebagai kerangka kerja penelitian. Tahapan penelitian meliputi pengumpulan data, preprocessing yang terdiri atas pembersihan data, penanganan missing value, penghapusan data duplikat, dan normalisasi data, dilanjutkan dengan penentuan jumlah cluster optimal menggunakan metode Elbow Method. Variabel yang digunakan meliputi User ID, frekuensi kunjungan, jumlah klik produk, aktivitas keranjang, jumlah wishlist, jumlah pembelian, kategori favorit, dan total transaksi. Proses clustering dilakukan menggunakan Python, Streamlit, dan WEKA Explorer, sedangkan kualitas hasil clustering dievaluasi menggunakan Silhouette Score.
Hasil penelitian menunjukkan bahwa sistem berhasil mengelompokkan pengguna Shopee ke dalam tiga cluster, yaitu Pasif, Aktif, dan Loyal, berdasarkan karakteristik perilaku interaksi dan riwayat belanja. Berdasarkan hasil pengujian, diperoleh jumlah pengguna pada kategori Pasif sebanyak 27 pengguna, Loyal sebanyak 25 pengguna, dan Aktif sebanyak 9 pengguna. Penentuan jumlah cluster dilakukan menggunakan Elbow Method, sedangkan evaluasi menggunakan Silhouette Score menghasilkan nilai 0,239.