Kualitas cluster · Sedang
Silhouette 0,437 pada k=2. Cluster terbentuk, tetapi batas antar segmen masih tumpang tindih.
Semua Cabang · Seluruh periode
K-Means Clustering
Struktur segmen, kualitas cluster, dan profil tiap segmen.
Segmen terbesar
Perlu Re-engagement (C1) menampung 82,9% pelanggan (3.623 orang).
Kontributor revenue
Perlu Re-engagement (C1) menyumbang 51,5% revenue (Rp 1,89 M).
Keseimbangan segmen
Rasio segmen terbesar vs terkecil 4,8× (3.623 vs 749 pelanggan).
Jumlah cluster (k)
2
Dipilih oleh pipeline
Silhouette score
0,437
Sedang
Calinski–Harabasz
2.375,1
Makin tinggi makin baik
Inertia
8.497,6
Total jarak ke centroid
Sampel pelanggan
4.372
Seluruh periode
Pemilihan k · elbow
Inertia menurun saat k bertambah. Titik pilihan pipeline disorot.
Kualitas cluster per k
Silhouette (kiri) dan Calinski–Harabasz (kanan).
Ukuran tiap segmen
Jumlah pelanggan per cluster. Klik kartu segmen di bawah untuk menyorot.
Kontribusi revenue per segmen
Persentase total revenue yang berasal dari masing-masing cluster.
Profil R / F / M per segmen
Nilai dinormalisasi 0–100. Recency dibalik: makin jauh ke luar, makin baru.
Sebaran pelanggan pada ruang fitur
Warna = cluster. Sumbu Y logaritmik untuk monetary.
Profil segmen
Klik kartu untuk menyorot segmen pada radar dan scatter. Angka R/F/M adalah rata-rata per cluster.
Plot diagnostik asli dari pipeline
Unduh data & artefak
Semua berkas mentah untuk dianalisis ulang di Excel, Python, atau R.
rfm_segments.csv
RFM + label cluster per pelanggan.
summary.txt
Ringkasan K-Means & Random Forest.
kmeans.joblib
Artefak model terlatih (joblib).
random_forest.joblib
Artefak model terlatih (joblib).
scaler.joblib
Artefak model terlatih (joblib).
Gini_importance.png
Plot diagnostik dari pipeline Python.
Permutation_importance.png
Plot diagnostik dari pipeline Python.
kmeans_k_selection.png
Plot diagnostik dari pipeline Python.
kmeans_scatter.png
Plot diagnostik dari pipeline Python.
rf_confusion_matrix.png
Plot diagnostik dari pipeline Python.
