Optimalisasi Model Clustering Dengan Principle Component Analysis Untuk Pelanggan Mobil

Dalam dunia bisnis yang kompetitif, perusahaan secara strategis memanfaatkan data pelanggan untuk mencapai tujuan, sehingga memerlukan pemahaman komprehensif tentang beragam sifat, perilaku, dan kebutuhan pelanggan. Segmentasi pelanggan, sebuah strategi penting, memerlukan pengelompokan individu berdasarkan berbagai karakteristik. Algoritme K- Means yang banyak digunakan konektivitas pengelompokan data pelanggan karena kemudahan implementasinya dalam Pembelajaran Mesin. Namun, tantangan muncul pada data berdimensi tinggi, sehingga mendorong perlunya pengurangan dimensi. Analisis Komponen Utama (PCA) muncul sebagai metode yang efektif untuk komunikasi data sekaligus meminimalkan kehilangan informasi. Penelitian sebelumnya menekankan keberhasilan PCA dalam meningkatkan efisiensi analisis dan pengelompokan. Penelitian ini berkontribusi dengan mengintegrasikan PCA ke dalam clustering K-Means untuk menganalisis segmen pelanggan di sebuah perusahaan mobil. Hal ini memberdayakan perusahaan untuk menarik pelanggan baru, menerapkan pemasaran yang ditargetkan, memahami hubungan pelanggan-perusahaan, dan meningkatkan profitabilitas yang diharapkan. PCA, yang mempertahankan 75% variasi dengan 3 komponen utama, mendahului implementasi K-Means setelah normalisasi. Evaluasi menggunakan Metode Elbow dan Silhouette Score mengidentifikasi delapan cluster yang optimal. Model K-Means pasca-PCA dengan pemilihan cluster optimal menghasilkan Skor Silhouette sebesar 0,7789.

Kata kunci— K-Means, PCA, Segmentasi Pelanggan, Pembelajaran Mesin