ANALISIS PENGELOMPOKKAN KEBIASAAN PELANGGAN PADA TOKO ONLINE MENGGUNAKAN K-MEANS DENGAN METODE JARAK CHEBYSHEV DAN CANBERRA SERTA EVALUASI DAVIESBOULDIN INDEX

Perkembangan teknologi digital dan e-commerce meningkatkan aktivitas transaksi daring yang menghasilkan big data perilaku pelanggan. Data transaksi tersebut menyimpan informasi penting mengenai kebiasaan belanja pelanggan yang dapat dimanfaatkan untuk melakukan segmentasi dan mendukung penyusunan strategi bisnis yang lebih tepat sasaran. Namun, pemanfaatan data pelanggan pada toko daring masih belum optimal sehingga diperlukan analisis berbasis data (data-driven analysis) untuk memahami karakteristik pelanggan secara lebih sistematis. Penelitian ini menggunakan pendekatan data mining dengan teknik clustering untuk mengelompokkan pelanggan berdasarkan metode Recency, Frequency, Monetary (RFM). Proses pengelompokan dilakukan menggunakan algoritma K-Means dengan perbandingan dua metode jarak, yaitu Chebyshev dan Canberra, guna memperoleh metode dengan kinerja paling optimal. Dataset yang digunakan berjumlah 541.908 transaksi dari Kaggle dan UCI Machine Learning Repository. Untuk meningkatkan efisiensi komputasi, data direduksi menggunakan teknik sampling menjadi 4.339 data yang tetap merepresentasikan pola perilaku pelanggan. Evaluasi kinerja dilakukan menggunakan waktu eksekusi dan Davies-Bouldin Index (DBI). Hasil penelitian menunjukkan terbentuk tiga cluster, yaitu Low Value Customer sebanyak 790 pelanggan, Medium Value Customer sebanyak 1.150 pelanggan, dan High Value Customer sebanyak 2.350 pelanggan. Metode Canberra lebih efisien dalam waktu eksekusi, sedangkan Chebyshev menghasilkan kualitas cluster yang lebih baik berdasarkan nilai DBI yang lebih rendah. Hasil segmentasi ini dapat dimanfaatkan sebagai dasar pengambilan keputusan bisnis, seperti penentuan promosi, program loyalitas, strategi retensi pelanggan, serta perencanaan penjualan secara lebih efektif.