SEGMENTASI PELANGGAN UNTUK ISP MENGGUNAKAN ALGORITMA K-MEANS: STUDI KASUS PADA DATA CHURN

Segmentasi pelanggan merupakan strategi penting untuk memahami perilaku konsumen dan meningkatkan retensi pelanggan. Terutama bagi Perusahaan yang bergerak di bidang layanan Internet Service Provider (ISP). Masalah yang sering terjadi pada Perusahaan ISP berkaitan dengan pelanggan, yaitu sulitnya mempertahankan pelanggan untuk tetap berlangganan intenet pada Perusahaan. Penelitian ini bertujuan untuk mengelompokkan pelanggan ISP berdasarkan pola penggunaan layanan digital dan tagihan bulanan menggunakan algoritma K-Means Clustering, dengan fokus pada studi kasus data churn. Dataset yang digunakan berasal dari Kaggle dengan nama customer_churn_prediction_dataset.csv. Ada delapan variabel yang digunakan hanya yang mewakili representasi pelaku pelanggan yaitu: InternetService, OnlineSecurity, OnlineBackup, DeviceProtection, TechSupport, StreamingTV, StreamingMovies, dan MonthlyCharges. Proses pra-pemrosesan melibatkan one-hot encoding untuk transformasi variabel kategorikal dan normalisasi data menggunakan StandardScaler. Evaluasi klaster dilakukan dengan Silhouette Score dan Davies-Bouldin Index untuk menentukan jumlah klaster optimal. Hasil menunjukkan bahwa konfigurasi terbaik diperoleh pada jumlah klaster k=3, dengan Silhouette Score sebesar 0.46 dan Davies-Bouldin Index sebesar 0.82. Klaster yang terbentuk memiliki karakteristik berbeda, yaitu klaster pelanggan pasif, klaster pelanggan berbiaya rendah, dan klaster pelanggan premium. Segmentasi ini memberikan wawasan strategis bagi ISP dalam merancang promosi yang lebih spesifik seperti promosi pada target pelanggan pada klister tertentu, menentukan prioritas retensi, dan menyusun layanan yang lebih personal. Hasil penelitian membuktikan bahwa kombinasi antara layanan dan biaya menjadi parameter efektif dalam membedakan preferensi pelanggan.