Analisis Klustering Dataset Kampanye Pemasaran Menggunakan Algoritma K-Means pada Rapidminer

Abstract

Penelitian ini bertujuan untuk menganalisis data kampanye pemasaran dengan menerapkan algoritma K-Means melalui platform RapidMiner. K-Means dipilih karena efisiensinya dalam mengelola dataset besar dan kemampuannya menghasilkan klaster yang bermakna. Dataset yang dianalisis mencakup informasi mengenai pelanggan, status perkawinan, dan tingkat pendidikan. Sebelum melakukan analisis, langkah preprocessing dilakukan untuk memastikan kualitas data yang optimal. Dalam studi ini, evaluasi Davies-Bouldin digunakan untuk menentukan jumlah klaster yang paling tepat, dengan eksplorasi varians jumlah klaster antara (2,3,4,5). Hasil analisis menunjukkan bahwa jumlah klaster yang optimal adalah 2, di mana masing-masing klaster memperlihatkan karakteristik unik hasil klasterisasi. Proses ini memberikan wawasan berharga tentang perilaku pelanggan yang dapat digunakan untuk merumuskan strategi pemasaran yang lebih efektif dan efisien. Temuan penelitian ini menegaskan bahwa algoritma K-Means dapat mengelompokkan data secara akurat, memberikan fondasi yang kuat untuk pengambilan keputusan strategis di bidang pemasaran.

Kata Kunci : klasterisasi, algoritma K-Means, RapidMiner, Davies-Bouldin Index.

Abstract

This study aims to analyze marketing campaign data by applying the K-Means algorithm through the RapidMiner platform. K-Means was chosen due to its efficiency in managing large datasets and its ability to generate meaningful clusters. The dataset includes information on customers, marital status, and education level. Prior to analysis, preprocessing was performed to ensure optimal data quality. In this study, the Davies-Bouldin evaluation was used to determine the most appropriate number of clusters, exploring the variance of cluster numbers between (2, 3, 4, or 5). The analysis results indicated that the optimal number of clusters was 2, with each cluster displaying unique characteristics resulting from the clustering process. This process provides valuable insights into customer behavior that can be used to design more effective and efficient marketing strategies. The findings of this study confirm that the K-Means algorithm can accurately cluster data, providing a strong foundation for strategic decision-making in the marketing field.

Keywords: clustering, K-Means algorithm, RapidMiner, Davies-Bouldin Index.