Implementasi Lanjutan K-Means, KNN & Decision Tree (Evaluasi & Studi Kasus)

Implementasi Lanjutan K-Means, KNN & Decision Tree
(Evaluasi, Visualisasi, dan Studi Kasus Nyata UMKM)

Artikel ini merupakan bagian ketiga dari seri Machine Learning untuk UMKM.

• Bagian 1 – Konsep Dasar Klasifikasi Pelanggan UMKM
• Bagian 2 – Pipeline RFM → K-Means → KNN → Decision Tree

Jika dua artikel sebelumnya fokus pada pembangunan sistem, maka tutorial ini membawa sistem tersebut ke level implementasi nyata.

Daftar Isi

1. Tujuan Tutorial Lanjutan
2. Evaluasi Jumlah Cluster (Elbow Method)
3. Visualisasi Segmentasi Pelanggan
4. Tuning & Validasi Model
5. Studi Kasus Nyata UMKM
6. Dampak Bisnis & Insight

1. Tujuan Tutorial Lanjutan

Dalam praktik UMKM, pertanyaan yang muncul bukan lagi “bagaimana membuat model”, melainkan:

• Apakah segmentasi ini masuk akal secara bisnis?
• Apakah pelanggan bisa berpindah segmen?
• Bagaimana membaca pola pelanggan secara visual?

Semua pertanyaan tersebut dijawab di tutorial ini.

2. Evaluasi Jumlah Cluster dengan Elbow Method

from sklearn.cluster import KMeans

inertia = []
K = range(2, 10)

for k in K:
    km = KMeans(n_clusters=k, random_state=42)
    km.fit(rfm_scaled)
    inertia.append(km.inertia_)

Elbow Method membantu mencegah:

• Terlalu sedikit segmen (kurang presisi)
• Terlalu banyak segmen (sulit dijalankan UMKM)

3. Visualisasi Segmentasi Pelanggan

Visualisasi sangat penting untuk komunikasi non-teknis.

import matplotlib.pyplot as plt

plt.scatter(
    rfm["frequency"],
    rfm["monetary"],
    c=rfm["cluster"]
)
plt.xlabel("Frequency")
plt.ylabel("Monetary")
plt.title("Segmentasi Pelanggan UMKM")
plt.show()

Grafik ini biasanya langsung “klik” bagi pemilik UMKM karena menunjukkan siapa pelanggan bernilai tinggi.

4. Tuning & Validasi Model

KNN – Stabilitas Prediksi

from sklearn.model_selection import GridSearchCV

param_grid = {"n_neighbors": [3,5,7,9]}

grid = GridSearchCV(
    KNeighborsClassifier(),
    param_grid,
    cv=5
)

grid.fit(rfm_scaled, rfm["cluster"])

Decision Tree – Interpretasi Bisnis

from sklearn.tree import DecisionTreeClassifier

dt = DecisionTreeClassifier(
    max_depth=3,
    min_samples_leaf=30,
    random_state=42
)

dt.fit(rfm, rfm["cluster"])

Decision Tree ini menghasilkan aturan sederhana seperti:

• Jika frequency tinggi dan monetary besar → pelanggan loyal
• Jika recency tinggi dan frequency rendah → pelanggan pasif

5. Studi Kasus Nyata: UMKM Retail

Sebuah UMKM retail memiliki 1.200 data transaksi selama 1 tahun. Setelah diterapkan sistem ini, ditemukan:

• 15% pelanggan menyumbang > 55% pendapatan
• Pelanggan loyal sering tidak mendapat promo khusus
• Pelanggan pasif justru sering diberi diskon

Setelah segmentasi diterapkan:

• Promo difokuskan ke segmen loyal & reguler
• Diskon besar dikurangi untuk segmen pasif
• Repeat order meningkat tanpa menaikkan biaya iklan

6. Dampak Bisnis bagi UMKM

Manfaat nyata yang dirasakan:

• Keputusan berbasis data, bukan intuisi
• Strategi promo lebih tepat sasaran
• Pemilik UMKM memahami pelanggan mereka

Machine learning untuk UMKM bukan soal kecanggihan algoritma, tetapi soal keputusan yang lebih tepat setiap hari.

7. Penutup & Arah Lanjutan

Dengan seri ini, UMKM sudah memiliki:

• Sistem segmentasi pelanggan
• Model prediksi pelanggan baru
• Aturan bisnis yang dapat dijelaskan

Artikel lanjutan akan membahas: deploy model ke aplikasi (Flask / FastAPI) dan dashboard visualisasi pelanggan.