Kursus Skripsi Tesis Disertasi Data Science ~ Clustering Pelanggan Menggunakan K-Means pada Dataset Transaksi Ritel

Berikut adalah silabus lengkap 20 sesi (masing-masing @1,5 jam) untuk topik “Clustering Pelanggan Menggunakan K-Means pada Dataset Transaksi Ritel”, menggunakan Python. Silabus ini cocok untuk skripsi, pelatihan, atau bootcamp dengan pendekatan praktikal dan progresif dari dasar hingga deployment.

🧾 Silabus 20x Sesi (1,5 Jam per Sesi)

Topik: Clustering Pelanggan Menggunakan K-Means pada Dataset Transaksi Ritel (dengan Python)

🔹 Bagian 1: Pengenalan dan Dasar-Dasar (Sesi 1–5)

Sesi 1: Pengantar Data Science dan Clustering

• Apa itu Data Science, Machine Learning, dan Clustering

• Studi kasus customer segmentation

• Perbedaan supervised vs unsupervised learning

• Pengenalan algoritma K-Means

Sesi 2: Instalasi dan Setup Lingkungan Python

• Instalasi Anaconda, Jupyter Notebook, VSCode (opsional)

• Instalasi libraries: pandas, numpy, matplotlib, seaborn, scikit-learn

• Struktur folder proyek data science

Sesi 3: Eksplorasi Dataset Transaksi Ritel

• Pengenalan dataset ritel (contoh: Online Retail dari UCI / Excel lokal)

• Import data dengan pandas

• Memahami struktur data: kolom, tipe data, dan deskripsi awal

Sesi 4: Pembersihan dan Pra-Pemrosesan Data

• Handling missing values

• Menghapus duplikasi

• Filtering data relevan (customer ID, invoice, date, quantity, amount)

Sesi 5: Feature Engineering untuk Clustering

• Membuat variabel RFM (Recency, Frequency, Monetary)

• Normalisasi data dengan StandardScaler

• Penyimpanan data siap clustering

🔹 Bagian 2: K-Means dan Evaluasi Model (Sesi 6–10)

Sesi 6: Pengenalan Algoritma K-Means

• Konsep centroid dan iterasi K-Means

• Visualisasi clustering 2D

• Kelebihan dan kelemahan K-Means

Sesi 7: Implementasi K-Means Pertama

• Menggunakan sklearn.cluster.KMeans

• Menentukan jumlah klaster (k)

• Visualisasi hasil klaster dengan scatter plot

Sesi 8: Menentukan Jumlah Klaster Optimal

• Metode Elbow

• Metode Silhouette Score

• Visualisasi grafik dan pemilihan k terbaik

Sesi 9: Interpretasi Hasil Clustering

• Analisis profil tiap klaster (RFM per klaster)

• Labeling klaster: Loyal, High-Value, Lost, dsb

• Membuat tabel summary klaster

Sesi 10: Validasi dan Evaluasi

• Evaluasi internal (inertia, silhouette)

• Evaluasi eksternal (jika ada label ground-truth)

• Kapan K-Means cocok digunakan dan kapan tidak

🔹 Bagian 3: Visualisasi dan Insight Bisnis (Sesi 11–15)

Sesi 11: Visualisasi Klaster dalam 2D dan 3D

• PCA untuk reduksi dimensi

• Visualisasi 2D dan 3D dengan matplotlib, seaborn, dan plotly

Sesi 12: Insight Bisnis dari Hasil Klaster

• Strategi pemasaran berdasarkan klaster

• Contoh segmentasi: loyal, new, churned

• Rekomendasi strategi untuk tiap segmen

Sesi 13: Penerapan Segmentasi untuk Promosi

• Simulasi kampanye marketing berdasarkan klaster

• Studi kasus sederhana: targeting pelanggan potensial

Sesi 14: Automatisasi Proses Clustering

• Membuat pipeline clustering

• Menyimpan dan memuat model menggunakan joblib

Sesi 15: Dashboard Analitik Sederhana

• Menggunakan Streamlit untuk membuat web dashboard

• Menampilkan hasil klaster, grafik, dan summary

🔹 Bagian 4: Deployment dan Studi Kasus (Sesi 16–20)

Sesi 16: Studi Kasus Dataset Ritel Alternatif

• Dataset: supermarket, e-commerce lokal, atau dummy dataset

• Lakukan semua langkah ulang: EDA → RFM → Clustering

Sesi 17: Integrasi dengan Aplikasi Bisnis

• Simulasi integrasi data pelanggan ke sistem CRM atau ERP

• Export hasil klaster ke Excel / CSV untuk penggunaan bisnis

Sesi 18: Uji Sensitivitas dan Optimasi Model

• Apa yang terjadi jika data berubah

• Re-training dan re-evaluasi

Sesi 19: Dokumentasi Proyek dan Pembuatan Laporan

• Struktur laporan data science proyek

• Visualisasi yang harus ditampilkan

• Menulis narasi insight yang baik

Sesi 20: Presentasi Akhir Proyek

• Presentasi model, hasil, dan rekomendasi bisnis

• Tanya-jawab

• Refleksi: tantangan & pengembangan lebih lanjut