ANALISIS PENDAPATAN DAN PENGELUARAN PELANGGAN MALL

Analisis menggunakan algoritma K-Means Clustering untuk segmentasi pelanggan berdasarkan pendapatan tahunan (Annual Income) dan skor pengeluaran (Spending Score). Proyek ini bertujuan untuk memahami pola perilaku pelanggan mall melalui pengelompokan data.

Exploratory Data Analysis (EDA):

• Menampilkan distribusi data pendapatan dan pengeluaran.
• Mengidentifikasi variabel penting tanpa nilai missing atau outliers.

Clustering dengan K-Means:

• Digunakan untuk membagi pelanggan ke dalam beberapa klaster berdasarkan fitur utama.
• Menggunakan visualisasi seperti histogram, scatter plot, dan 3D plot untuk memahami pola data.

Evaluasi dan Pemilihan Model:

• Metode Elbow digunakan untuk menentukan jumlah klaster optimal.
• Silhouette Score menunjukkan bahwa 2 atau 3 klaster memberikan hasil terbaik.

Hasil Klasterisasi:

• Cluster 0: Pelanggan hemat dengan pendapatan tinggi.
• Cluster 1: Pelanggan pengeluaran sedang dengan pendapatan moderat.
• Cluster 2: Pelanggan aktif berbelanja dengan pendapatan tinggi.

Kesimpulan:

• Pendekatan K-Means berhasil memberikan wawasan tentang preferensi pelanggan dan dapat diterapkan untuk strategi pemasaran.

Tugas Akhir Machine Learning - Analisis K-Means Clustering untuk Segmentasi Pelanggan

1. Latar Belakang

Tugas ini membahas penggunaan algoritma K-Means Clustering untuk segmentasi pelanggan berdasarkan pendapatan tahunan (Annual Income) dan skor pengeluaran (Spending Score). Tujuan utama adalah membantu memahami pola perilaku pelanggan mall untuk mendukung strategi pemasaran yang lebih efektif.

2. Pendekatan dan Metodologi

Exploratory Data Analysis (EDA):
Dilakukan untuk memahami distribusi data, mengecek nilai missing, dan mendeteksi outliers. Variabel utama yang digunakan adalah Annual Income dan Spending Score.

K-Means Clustering:
Algoritma ini digunakan untuk mengelompokkan pelanggan ke dalam beberapa klaster. Model diuji dengan berbagai jumlah klaster untuk menentukan hasil terbaik.

Evaluasi Model:

• Elbow Method digunakan untuk menentukan jumlah klaster optimal berdasarkan nilai inertia.
• Silhouette Score digunakan untuk mengevaluasi kualitas pemisahan antar klaster.

3. Hasil dan Analisis

Hasil Eksperimen:

• Klaster diuji dengan jumlah 2 hingga 6.
• Silhouette Score menunjukkan hasil terbaik dengan 6 klaster (nilai 0.6016), menandakan klasterisasi yang optimal.

Deskripsi Klaster:

• Cluster 0: Pelanggan dengan pendapatan tinggi tetapi pengeluaran rendah (hemat).
• Cluster 1: Pelanggan dengan pendapatan sedang dan pengeluaran moderat.
• Cluster 2: Pelanggan aktif berbelanja dengan pendapatan tinggi.
  Klaster lainnya menunjukkan kombinasi variabel serupa dengan fokus perilaku belanja tertentu.

Visualisasi:
Data divisualisasikan menggunakan scatter plot 2D dan 3D plot untuk menunjukkan distribusi pelanggan di setiap klaster.