KLASIFIKASI TIPE KONSUMEN BERDASARKAN RIWAYAT TRANSAKSI MENGGUNAKAN METODE K-NEAREST NEIGHBOR (KNN)
DOI:
https://doi.org/10.54314/jssr.v9i2.6262Keywords:
Classification, Consumer Type, Transaction History, Data Mining, K-Nearest Neighbor (KNN).Abstract
Abstract: Advances in digital technology have generated consumer transaction history data that can be used to analyze consumer behavior and types. However, this data has not yet been optimally utilized in the consumer segmentation process. This study aims to develop a consumer type classification system based on transaction history using the K-Nearest Neighbor (KNN) method. The dataset used was sourced from Kaggle and included variables such as product type, brand, category, quantity, price, and payment method. The research stages included data collection, preprocessing, model training and testing, and evaluation of classification results. The system was built using PHP and MySQL. The KNN method was used to group consumers into Regular, Premium, and Optimal categories. Testing results using 100 data points and setting K=5 showed an accuracy of 65%; the study found that the K-Nearest Neighbor (KNN) method successfully classified the data.
Keywords: Classification, Consumer Type, Transaction History, Data Mining, K-Nearest Neighbor (KNN).
Abstrak: Perkembangan teknologi digital menghasilkan data riwayat transaksi konsumen yang dapat dimanfaatkan untuk menganalisis perilaku dan tipe konsumen. Namun, data tersebut belum dimanfaatkan secara optimal dalam proses pengelompokan konsumen. Penelitian ini bertujuan membangun sistem klasifikasi tipe konsumen berdasarkan riwayat transaksi menggunakan metode K-Nearest Neighbor (KNN). Dataset yang digunakan berasal dari Kaggle dengan variabel jenis produk, merek, kategori, kuantitas, harga, dan metode pembayaran. Tahapan penelitian meliputi pengumpulan data, prapemrosesan, pelatihan dan pengujian model, serta evaluasi hasil klasifikasi. Sistem dibangun menggunakan PHP dan MySQL. Metode KNN digunakan untuk mengelompokkan konsumen ke dalam kategori Reguler, Premium, dan Optimal. Hasil pengujian menggunakan 100 data dan mencari K=5 menunjukkan hasil akurasi sebanyak 65%, dari penelitian yang dilakuakn Metode K-Nearest Neighbor (KNN) berhasil mengklasifikasikan dengan baik.
Kata Kunci: Klasifikasi, Tipe Konsumen, Riwayat Transaksi, Data Mining, K-Nearest Neighbor (KNN).
Downloads
References
Adhitya, R. R., Wina Witanti, & Rezki Yuniarti. (2023). Perbandingan Metode Cart Dan Naïve Bayes Untuk Klasifikasi Customer Churn. Infotech Journal, 9(2), 307–318. Https://Doi.Org/10.31949/Infotech.V9i2.5641
Anastasya, A., Morina, E., Tarigan, B., Nabila, S., & Ananda, M. (2025). Prediksi Kecenderungan Pelanggan Untuk Berlangganan Dalam E- Commerce Menggunakan Metode Knn Berbasis Perilaku Transaksi. Jurnal Media Informatika [ Jumin ], 6(3), 2203–2210.
Auliya, S. N., Rahman, A., & Purwanto, D. (2022). Fenomena Perilaku Konsumsi Menggunakan Sistem Pembayaran Cashless (Studi Kasus Masyarakat Di Kabupaten Kendal). Sosio E-Kons, 14(1), 88. Https://Doi.Org/10.30998/Sosioekons.V14i1.11924
Mukhlisin, M., & Nugroho, H. W. (2025). Customer Loyalty Classification Using Knn And Decision Tree For Sales Strategy Development. Sinkron, 9(3), 1159–1166. Https://Doi.Org/10.33395/Sinkron.V9i3.15110
Siregar, S. D., Syifa Talitha, G., Alonso, L., Puan, N., Pakpahan, J., & Joe, R. A. (2024). Klasifikasi Perilaku Konsumen Dalam Penggunaan E-Commerce Menggunakan Algoritma Knn. Unpri Press, 2(1).
Sudarsono, B. G., Leo, M. I., Santoso, A., & Hendrawan, F. (2021). Analisis Data Mining Data Netflix Menggunakan Aplikasi Rapid Miner. Jbase - Journal Of Business And Audit Information Systems, 4(1), 13–21.
Wati, M. N., & Hendra, Y. (2024). Klasifikasi Produk Berdasarkan Jumlah Transaksi Pembayaran Di Edu Pos Smkn 2 Padang. Journaltechnologyofcomputer, 1(2), 1–10.
Downloads
Published
Issue
Section
License
Copyright (c) 2026 Al Izzati Karimah, Wanayumini
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
