PERBANDINGAN K-MEANS DAN DEEP EMBEDDED CLUSTERING UNTUK SEGMENTASI PELANGGAN E-COMMERCE BERBASIS FEATURE EMBEDDING PRODUK

Abstract

Segmentasi pelanggan merupakan strategi penting dalam pengelolaan data e-commerce untuk memahami perilaku konsumen dan mendukung pengambilan keputusan bisnis, seperti personalisasi promosi serta identifikasi pelanggan bernilai tinggi. Namun, metode clustering konvensional seperti K-Means memiliki keterbatasan dalam menangkap hubungan non-linear pada data transaksi yang kompleks dan berdimensi tinggi, sehingga berpotensi menghasilkan segmentasi yang kurang optimal. Oleh karena itu, penelitian ini bertujuan untuk membandingkan performa algoritma K-Means dan Deep Embedded Clustering (DEC) secara kuantitatif dalam melakukan segmentasi pelanggan dengan memanfaatkan feature embedding produk sebagai representasi fitur pelanggan. Metode penelitian meliputi tahap prapemrosesan data transaksi, pembangunan embedding produk menggunakan Autoencoder, penerapan algoritma K-Means dan DEC untuk proses clustering, serta evaluasi hasil klaster menggunakan metrik internal yaitu Silhouette Score. Hasil penelitian menunjukkan bahwa metode Deep Embedded Clustering (DEC) dengan pretraining dan optimasi joint embedding–clustering mampu menghasilkan klaster yang lebih kompak dan terpisah dengan nilai Silhouette yang lebih tinggi, yaitu sebesar 0,3729, dibandingkan dengan K-Means yang memperoleh nilai sebesar 0,3089 pada ruang embedding berdimensi tinggi. Selain itu, DEC juga menunjukkan stabilitas yang lebih baik terhadap variasi inisialisasi. Berdasarkan hasil tersebut, dapat disimpulkan bahwa pendekatan deep embedded clustering lebih efektif dalam menghasilkan segmentasi pelanggan pada dataset e-commerce yang kompleks, meskipun membutuhkan biaya komputasi dan proses tuning hiperparameter yang lebih besar.