PENERAPAN ALGORITMA K-MEANS CLUSTERING UNTUK SEGMENTASI PENGGUNA DISCORD BERDASARKAN POLA PENGGUNAAN DAN TINGKAT KEPUASAN

Dea Alya; Tiara Bela Harahap; Salsabila Mahfuza; Naina Nazwa Hasibuan; Mhd. Furqan

doi:10.46576/syntax.v7i1.9019

PENERAPAN ALGORITMA K-MEANS CLUSTERING UNTUK SEGMENTASI PENGGUNA DISCORD BERDASARKAN POLA PENGGUNAAN DAN TINGKAT KEPUASAN

Dea Alya, Tiara Bela Harahap, Salsabila Mahfuza, Naina Nazwa Hasibuan, Mhd. Furqan

Abstract

Abstrak—Discord merupakan platform komunikasi digital yang digunakan untuk berbagai kebutuhan seperti komunitas, hiburan, pembelajaran, dan komunikasi daring. Perbedaan pola penggunaan Discord menyebabkan munculnya karakteristik pengguna dan tingkat kepuasan yang berbeda sehingga diperlukan proses segmentasi pengguna. Penelitian ini bertujuan untuk melakukan segmentasi pengguna Discord menggunakan metode K-Means Clustering berdasarkan pola penggunaan dan tingkat kepuasan pengguna. Dataset penelitian diperoleh melalui penyebaran kuesioner daring kepada 200 responden. Proses penelitian meliputi preprocessing data, pengujian reliabilitas menggunakan Cronbach Alpha, transformasi data, normalisasi menggunakan StandardScaler, penentuan jumlah cluster menggunakan Elbow Method, serta evaluasi model menggunakan Silhouette Score. Seluruh proses pengolahan data dilakukan menggunakan Google Colab berbasis Python. Hasil pengujian reliabilitas memperoleh nilai Cronbach Alpha sebesar 0,861 yang menunjukkan bahwa data penelitian memiliki tingkat konsistensi yang baik. Hasil penelitian menunjukkan bahwa jumlah cluster optimal diperoleh pada K=2 dengan nilai Silhouette Score sebesar 0,33. Hasil clustering berhasil membagi pengguna Discord ke dalam dua kelompok utama, yaitu kelompok pengguna aktif dengan frekuensi penggunaan, interaksi sosial, dan tingkat kepuasan yang tinggi serta kelompok pengguna moderat dengan frekuensi penggunaan dan tingkat kepuasan yang relatif lebih rendah. Visualisasi menggunakan Principal Component Analysis (PCA) menunjukkan persebaran cluster yang cukup baik.

Kata Kunci— Discord, K-Means Clustering, Segmentasi Pengguna, Silhouette Score

Abstract—Discord is a digital communication platform used for various purposes such as community activities, entertainment, learning, and online communication. Differences in Discord usage patterns lead to varying user characteristics and satisfaction levels, making user segmentation necessary. This study aims to segment Discord users using the K-Means Clustering method based on usage patterns and user satisfaction levels. The research dataset was obtained through an online questionnaire distributed to 200 Discord users. The research process included data preprocessing, reliability testing using Cronbach Alpha, data transformation, normalization using StandardScaler, determining the optimal number of clusters using the Elbow Method, and model evaluation using the Silhouette Score. All data processing was conducted using Python-based Google Colab. The reliability test obtained a Cronbach Alpha value of 0.861, indicating that the research data had good consistency. The results showed that the optimal number of clusters was obtained at K=2 with a Silhouette Score of 0.33. The clustering process successfully divided Discord users into two main groups, namely active users with high usage frequency, social interaction, and satisfaction levels, and moderate users with relatively lower usage frequency and satisfaction levels. Visualization using Principal Component Analysis (PCA) showed a fairly good distribution of the clusters.

Keywords— Discord, K-Means Clustering, User Segmentation, Silhouette Score

Full Text:

PDF (Bahasa Indonesia)

References

M. S. Rizal and N. M. Aesthetika, “Efektivitas Penggunaan Aplikasi Discord Dalam Meningkatkan Komunikasi Interpersonal di Kalangan Pecinta Film,” Medium, vol. 10, no. 1, pp. 19–27, 2022, [Online]. Available: https://doi.org/10.25299/medium.2022.vol10(1).8882

A. K. Nayla, E. W. B. Prasetyo, and B. H. Novaludin, “Pola Komunikasi Masyarakat dalam Sosial Media Discord,” Semin. Nas. Univ. Negeri Surabaya, pp. 1085–098, 2024, [Online]. Available: https://proceeding.unesa.ac.id/index.php/sniis/article/view/3852

M. Z. Al Hilal, D. Sari, S. D. K, A. Harmadi, S. R. Utami, and R. Novianti, “Phenomenological Study Of Interpersonal Communication Among Online Game Players In The Indonesian Pubg Mobile Discord Community,” vol. 4, no. 4, pp. 57–61, 2025, [Online]. Available: https://doi.org/10.56127/jukim.v4i04.2168

T. Des Christian and S. Sakaria, “Analisis Pengaruh e-Service Quality, Sense of Belonging dan User Satisfaction terhadap Intention to Use Aplikasi Discord,” TeknoIS J. Ilm. Teknol. Inf. dan Sains, vol. 15, no. 1, pp. 51–61, 2025, [Online]. Available: https://doi.org/10.36350/jbs.v15i1.287

L. R. Iyohu, Ismail Djakaria, and La Ode Nashar, “Perbandingan Metode K-Means Clustering dengan Self-Organizing Maps (SOM) untuk Pengelompokan Provinsi di Indonesia Berdasarkan Data Potensi Desa,” J. Stat. dan Apl., vol. 7, no. 2, pp. 195–206, 2023, doi: 10.21009/jsa.07208.

S. Anwar, “Analisis Kepuasan Pengguna Aplikasi Nyari Gawe Menggunakan Model Technology Acceptance Model ( TAM ) dan K-Means Clustering,” vol. 6, no. 4, pp. 1514–1526, 2026.

Dicha Mutia Dhani, Relita Buaton, and I Gusti Prahmana, “Penerapan Metode K – Means Clustering untuk Menentukan Kepuasan Mahasiswa terhadap Fasilitas Sarana dan Prasarana Kampus di STMIK Kaputama Binjai,” Bridg. J. Publ. Sist. Inf. dan Telekomun., vol. 2, no. 3, pp. 229–243, 2024, doi: 10.62951/bridge.v2i3.170.

K. Willyani, “Analisis Ulasan Pengguna Aplikasi Gojek Berdasarkan Versi Aplikasi Menggunakan Metode Clustering untuk Evaluasi Kepuasan,” vol. 7, no. 1, pp. 1–6, 2025.

Baromim Triwijaya, Setyoningsih Wibowo, and Nur Latifah Dwi Mutiara Sari, “Performance Comparison of K-Means Algorithm and BIRCH Algorithm in Clustering Earthquake Data in Indonesia with Web-Based Map Visualization,” J. Teknol. Dan Open Source, vol. 8, no. 1, pp. 278–287, 2025, doi: 10.36378/jtos.v8i1.4400.

I. P. Muhammad Fikri Fadhillah, Aldo Lovely Arief Suyoso, “Customer Segmentation with Clustering Algorithm Based on Recency, Frequency, and Monetary (RFM) Attributes,” MALCOM Indones. J. Mach. Learn. Comput. Sci., vol. 5, no. 1, pp. 48–56, 2025.

E. W. Muhammad Harlanu, Agus Suryanto, Syahrul Ramadhan, “Construct validity of the instrument of digital skill literacy Muhammad,” Cakrawala Pendidik. J. Ilm. Pendidik., vol. 42, no. 3, pp. 781–790, 2023.

I. U. Muhammad Hidayatullah, Afif Budi Andy B, “Analisis Komponen Utama dan Klasterisasi K-Means pada Data Pengangguran Terbuka Kabupaten / Kota di Provinsi Sulawesi Selatan,” Techno Com, vol. 25, no. 2, pp. 355–366, 2026.

N. A. Maori and E. Evanita, “Metode Elbow dalam Optimasi Jumlah Cluster pada K-Means Clustering,” Simetris J. Tek. Mesin, Elektro dan Ilmu Komput., vol. 14, no. 2, pp. 277–288, 2023, doi: 10.24176/simet.v14i2.9630.

Matius Ivan Bimasena, I Gede Aris Gunadi, and I Made Agus Wirawan, “Studi Perbandingan Algoritma Euclidean, Manhattan Dan Chebysev Distance Untuk Optimasi Metode K-Means Clustering Pada Pengelompokkan Data Penerimaan Mahasiswa Baru,” J. Pendidik. Teknol. dan Kejuru., vol. 22, no. 2, pp. 116–127, 2025.

W. Wirdawati, S. Yulihartati, and A. Ramadhanu, “Implementasi Euclidean Distance dan Segmentasi K-Means Clustering Pada Identifikasi Citra Jeruk Nipis,” Indones. J. Comput. Sci., vol. 3, no. 2, pp. 72–79, 2024, doi: 10.31294/ijcs.v3i2.5600.

A. Primandana, S. Adinugroho, and C. Dewi, “Optimasi Penentuan Centroid pada Algoritme K-Means Menggunakan Algoritme Pillar (Studi Kasus: Penyandang Masalah Kesejahteraan Sosial di Provinsi …,” … Teknol. Inf. dan Ilmu …, vol. 3, no. 11, pp. 10678–10683, 2020, [Online]. Available: http://j-ptiik.ub.ac.id/index.php/j-ptiik/article/download/6748/3264

H. Mulyani, R. A. Setiawan, and H. Fathi, “Optimization of K Value in Clustering Using Silhouette Score (Case Study: Mall Customers Data),” J. Inf. Technol. Its Util., vol. 6, no. 2, pp. 45–50, 2023, doi: 10.56873/jitu.6.2.5243.

M. D. Ananda, K. N. Malik, A. F. N. Masruriyah, and M. Mardiah, “Studi Komparatif Algoritma K-Means dan K-Medoids untuk Segmentasi Informasi Kesehatan,” Comput. Sci., vol. 5, no. 2, pp. 103–112, 2025, doi: 10.31294/coscience.v5i2.9207.

DOI: https://doi.org/10.46576/syntax.v7i1.9019