Proyek ini mengelompokkan pelanggan toko berdasarkan kapan terakhir belanja (Recency), seberapa sering belanja (Frequency), dan total belanja (Monetary). Hasilnya empat segmen yang siap dipakai untuk menyusun strategi promosi yang berbeda-beda.
Tujuan Bisnis
Kelompokkan 1.500 pelanggan menjadi segmen bernilai dengan K-Means. Bidang penerapan: Pemasaran. Tingkat proyek: dasar.
Alat dan Operator RapidMiner
Proses dibangun dengan operator berikut:
- Read CSV
- Set Role
- Select Attributes
- Normalize
- K-Means
- Cluster Distance Performance
- Extract Cluster Prototypes
- Performance to Data
- Write CSV
Yang Akan Anda Pelajari
- Memahami cara kerja K-Means dan alasan data perlu dinormalisasi
- Menerjemahkan angka pusat kelompok menjadi nama segmen yang mudah dipakai tim pemasaran
- Latihan membaca ukuran mutu kelompok sebagai dasar memilih jumlah segmen
Langkah Pengerjaan
- Baca data pelanggan — Gunakan operator Read CSV untuk memuat transaksi_pelanggan.csv (1.500 baris). Pastikan kolom angka terbaca sebagai numerik.
- Tetapkan kolom identitas — Dengan Set Role, jadikan id_pelanggan sebagai peran id agar tidak ikut dihitung dalam pengelompokan tetapi tetap tersimpan di hasil.
- Pilih atribut RFM — Select Attributes hanya mempertahankan recency_hari, frekuensi, dan monetari_rp. Kota dan usia sengaja dikeluarkan agar segmen murni berdasar perilaku belanja.
- Samakan skala dengan Normalize — Pilih metode Z-transformation. Tanpa langkah ini, kolom rupiah yang bernilai jutaan akan mendominasi jarak dan mengalahkan kolom lain.
- Jalankan K-Means — Atur k = 4, max runs = 10, dan aktifkan determine good start values. Operator menambahkan kolom cluster pada setiap pelanggan.
- Ukur mutu kelompok — Cluster Distance Performance menghitung rata-rata jarak ke pusat kelompok dan indeks Davies-Bouldin. Makin kecil keduanya, makin rapat dan terpisah kelompoknya.
- Ambil pusat kelompok — Extract Cluster Prototypes mengubah model menjadi tabel pusat kelompok (nilai baku R, F, M) yang dipakai untuk memberi nama segmen.



