Segmentasi pelanggan dan Penargetan pembeli dengan menggunakan metode K-means clustering: Studi kasus industri real estate

Abstract

Industri real estate saat ini mengalami perkembangan pesat, namun juga menghadapi tantangan berupa tingginya tingkat persaingan dan kebutuhan untuk memahami pelanggan secara lebih mendalam. Penelitian ini bertujuan untuk mengidentifikasi segmen pelanggan dan menyusun strategi penargetan pembeli menggunakan metode K-Means Clustering, dengan studi kasus pada PT Sembilan Bintang Lestari, sebuah pengembang properti terkemuka di Kabupaten Jember. Menggunakan pendekatan CRISP-DM (Cross-Industry Standard Process for Data Mining), penelitian ini melibatkan beberapa tahap utama, yaitu pemahaman bisnis, pemahaman data, persiapan data, pemodelan, dan evaluasi. Data pelanggan dianalisis berdasarkan berbagai variabel penting, termasuk usia, pendapatan, pekerjaan, type rumah, metode pembayaran, dan status pernikahan. Proses clustering dilakukan dengan algoritma K-Means yang dikombinasikan dengan metode Elbow untuk menentukan jumlah cluster yang optimal. Hasil penelitian menunjukkan bahwa tiga cluster adalah jumlah yang paling optimal, dengan masing-masing cluster memiliki karakteristik demografi dan preferensi pembelian yang berbeda. Cluster pertama mencakup pelanggan dengan pendapatan rendah hingga menengah, mayoritas merupakan pegawai negeri atau pekerja dengan pekerjaan tetap, serta lebih memilih type rumah kecil dengan metode pembayaran KPR. Cluster kedua terdiri dari pelanggan dengan pendapatan menengah hingga tinggi yang memiliki preferensi terhadap rumah type sedang dan metode pembayaran kombinasi. Cluster ketiga mencakup pelanggan dengan pendapatan tinggi, yang lebih cenderung membeli rumah premium dengan metode pembayaran tunai. Visualisasi data yang dilakukan menggunakan grafik seperti pie chart, boxplot, dan bar chart memberikan wawasan mendalam terkait distribusi variabel dalam setiap cluster. Informasi ini memungkinkan perusahaan untuk merancang strategi pemasaran yang lebih terarah, seperti penawaran properti berdasarkan pendapatan dan preferensi pembelian masing-masing cluster.