Mall Customer Segmentation Using DBSCAN with K-Distance Plot

Abstrak

Segmentasi pelanggan merupakan strategi penting bagi pengelola mall dalam memahami perilaku pengunjung dan merancang program pemasaran yang tepat sasaran. Penelitian ini bertujuan mengimplementasikan dan mengoptimasi algoritma DBSCAN (Density-Based Spatial Clustering of Applications with Noise) pada dataset Mall Customer Segmentation yang terdiri dari 200 data pelanggan dengan lima atribut. Optimasi parameter dilakukan secara sistematis melalui analisis k-distance plot dan eksperimentasi grid search pada 15 kombinasi parameter. Parameter optimal yang diperoleh adalah ε = 0,3 dan minPts = 4, menghasilkan 8 klaster pelanggan dengan persentase noise 11,5% dan Silhouette Coefficient sebesar 0,520 yang mengindikasikan struktur klaster yang cukup baik. Setiap klaster diinterpretasikan secara deskriptif menghasilkan profil bisnis yang bermakna, mulai dari pelanggan muda impulsif hingga segmen ultra-elite yang konservatif. Analisis terhadap 23 data outlier mengungkap pelanggan berpenghasilan tinggi (rata-rata 77,48 k$) dengan perilaku belanja yang sangat heterogen, merepresentasikan segmen potensial bernilai tinggi yang memerlukan pendekatan pemasaran sangat personal. Rekomendasi strategi pemasaran yang spesifik dirumuskan untuk setiap segmen yang teridentifikasi.