Penerapan Klasifikasi Pelanggan Berdasarkan Segmentasi Pelanggan Pada UMKM Monex Toys Bekasi
Implementing Customer Classification Based on Customer Segmentation at the UMKM Monex Toys Bekasi
Penelitian ini bertujuan untuk melakukan segmentasi pelanggan serta membangun model klasifikasi guna memprediksi klaster pelanggan baru pada UMKM Monex Toys Abadi Bekasi. Segmentasi dilakukan dengan algoritma K-Means Clustering menggunakan parameter Recency, Frequency, Monetary (RFM), produk yang dibeli, metode pembayaran, potongan ongkos kirim, dan jumlah total produk yang dibeli pelanggan. Hasil segmentasi menunjukkan dua klaster, yaitu: (1) Pelanggan Pemburu Diskon (2) Pelanggan Setia. Kemudian dilakukan proses klasifikasi untuk memprediksi klaster pelanggan menggunakan algoritma K-Nearest Neighbor (KNN) dan Support Vector Machine (SVM), dengan split 70:30 dan 80:20. Hasil evaluasi menunjukkan bahwa seluruh model memiliki akurasi tinggi di atas 98%. Model terbaik diperoleh pada SVM dengan pembagian data 70:30, mencapai akurasi 98,81%.
Model klasifikasi ini kemudian diimplementasikan ke dalam aplikasi prediksi klaster berbasis Streamlit, yang memungkinkan pengguna untuk mengidentifikasi segmen pelanggan secara real-time. Hasil penelitian ini diharapkan dapat membantu UMKM dalam memahami perilaku pelanggan, meningkatkan pelayanan, serta mendukung strategi pemasaran yang lebih efektif.
This study aims to perform customer segmentation and develop a classification model to predict customer clusters for UMKM Monex Toys Bekasi. The segmentation is conducted using the K-Means Clustering algorithm based on Recency, Frequency, Monetary (RFM), purchased products, payment methods, shipping discount percentage, and the total number of products purchased by each customer. The segmentation results reveal two distinct clusters: (1) Pelanggan Pemburu Diskon and (2) Pelanggan Setia. Subsequently, classification is performed to predict customer clusters using the K-Nearest Neighbor (KNN) and Support Vector Machine (SVM) algorithms, with data splits of 70:30 and 80:20. Evaluation results show that all models achieve high accuracy, exceeding 98%. The best model is obtained using SVM with a 70:30 data split, reaching an accuracy of 98.81%.
The classification model is then implemented into a Streamlit-based prediction application, enabling users to identify customer segments in real time. The results of this study are expected to help UMKM Monex Toys Bekasi understand customer behavior, improve service quality, and support more effective marketing strategies.