ANALISIS PERBANDINGAN PERFORMA METODE K-MEANS DAN DBSCAN UNTUK CLUSTERING PELANGGAN

Segmentasi pelanggan merupakan strategi penting untuk memahami karakteristik konsumen dan mendukung pengambilan keputusan pemasaran yang lebih efektif. Namun, pemilihan algoritma clustering yang kurang sesuai dengan karakteristik data dapat menghasilkan kualitas segmentasi yang kurang optimal. Penelitian ini bertujuan untuk membandingkan performa algoritma K-Means dan DBSCAN dalam melakukan segmentasi pelanggan pada Shopping Mall Customer Segmentation Dataset yang terdiri dari 15.079 data pelanggan. Metode penelitian meliputi preprocessing data, normalisasi menggunakan StandardScaler, penerapan algoritma K-Means dan DBSCAN, serta evaluasi hasil clustering menggunakan Silhouette Score dan Davies-Bouldin Index (DBI). Dari dataset yang digunakan, diambil 3 atribut yang relevan dalam penilaian dan perbandingan yaitu Age, Annual Income, dan Spendinng Score. Penentuan jumlah cluster pada K-Means dilakukan menggunakan Elbow Method, sedangkan parameter DBSCAN ditentukan melalui pencarian parameter (grid search). Hasil penelitian menunjukkan bahwa K-Means menghasilkan 5 cluster dengan nilai Silhouette Score sebesar 0,2669 dan DBI sebesar 1,0650, sedangkan DBSCAN menghasilkan 2 cluster dengan nilai Silhouette Score sebesar 0,1074 dan DBI sebesar 0,7681. Berdasarkan hasil evaluasi dan visualisasi cluster, K-Means menunjukkan performa yang lebih baik untuk segmentasi pelanggan pada dataset yang digunakan.