Visualisasi & Evaluasi Cluster Pelanggan UMKM (Studi Kasus Nyata)

Visualisasi & Evaluasi Cluster Pelanggan UMKM

Artikel ini adalah Bagian 2 dari seri Pipeline Machine Learning UMKM dengan Python: K-Means, KNN & Decision Tree.

• Bagian 1 – Konsep Dasar & RFM
• Bagian 2 – Pipeline K-Means, KNN & Decision Tree
• Bagian 3 – Evaluasi & Visualisasi (artikel ini)

Daftar Isi

1. Kenapa Visualisasi Itu Penting?
2. Visualisasi Cluster Pelanggan
3. Evaluasi Model untuk Bisnis
4. Studi Kasus UMKM (Before–After)
5. Insight Strategis

1. Kenapa Visualisasi Itu Penting?

Bagi UMKM, angka akurasi saja tidak cukup. Pemilik bisnis perlu melihat pola pelanggan secara visual agar bisa mengambil keputusan cepat.

Visualisasi menjembatani dunia data science dan keputusan bisnis.

2. Visualisasi Cluster Pelanggan

Berikut ilustrasi sederhana pembagian cluster pelanggan berbasis RFM:

Contoh interpretasi:

• Cluster A: Pelanggan loyal bernilai tinggi
• Cluster B: Pelanggan aktif dengan potensi naik
• Cluster C: Pelanggan pasif / berisiko churn

3. Evaluasi Model untuk Bisnis

Decision Tree digunakan untuk memahami faktor dominan yang memengaruhi segmentasi.

import pandas as pd
from sklearn.tree import DecisionTreeClassifier

model = DecisionTreeClassifier(max_depth=4)
model.fit(X, y)

importance = pd.Series(
    model.feature_importances_,
    index=X.columns
).sort_values(ascending=False)

print(importance)

Biasanya fitur paling berpengaruh adalah:

• Frequency (jumlah transaksi)
• Monetary (total belanja)
• Recency (jarak transaksi terakhir)

4. Studi Kasus UMKM (Before–After)

Dampak implementasi ML dapat dilihat secara bisnis:

Hasil nyata:

• Promo lebih tepat sasaran
• Retensi pelanggan meningkat
• Biaya marketing lebih efisien

5. Insight Strategis

Machine Learning bukan sekadar teknologi, melainkan alat bantu keputusan.

Model sederhana + visual yang jelas seringkali lebih bernilai daripada algoritma kompleks tanpa implementasi.

Pada Bagian 4, kita akan membawa semua ini ke level berikutnya: deploy model ke API Flask untuk penggunaan real-time.