Segmentasi Pengunjung Wisata Berdasarkan Willingness to Pay Berbasis Website Menggunakan Model KMeans (Studi Kasus Taman Wisata Alam Lejja) = Segmentation of Tourist Visitors Based on Website-Based Willingness to Pay Using KMeans Model (Case Study of Lejja Nature Tourism Park)

Pengelola Taman Wisata Alam (TWA) Lejja telah melakukan penelitian tentang kesediaan membayar (Willingness to Pay/WTP) pengunjung di kawasan konservasi untuk perbaikan dan penambahan fasilitas umum dasar, seperti gerbang masuk, jaringan jalan, Community Empowerment Area (CEA), toilet, masjid/mushola, tempat parkir, serta gazebo/shelter . Pengelola memerlukan penelitian lanjutan untuk menganalisis segmentasi pengunjung berdasarkan WTP untuk menentukan target pasar wisata spesifik, mengoptimalkan pendapatan, mengatur pengeluaran pemasaran, menentukan strategi berikutnya, dan merancang layanan serta produk yang sesuai untuk setiap segmennya.
Peneliti menggunakan metode clustering K-Means untuk meningkatkan akurasi pengelompokan atau segmentasi pengunjung. Selanjutnya, hasil analisis clustering menggunakan sub-cluster dibandingkan dengan tanpa sub-cluster. Kemudian,model clustering optimal diimplementasikan sebagai salah satu fitur segmentasi pada website Lejja menggunakan Flask dan Laravel untuk visualisasi analisis segmentasi pengunjung.
Dalam proses clustering menggunakan K-Means, peneliti melakukan data cleaning, feature engineering, data transformation, dan data reduction guna meningkatkan kinerja K-Means. Selain itu, peneliti melakukan uji ANOVA dan post hoc dalam menentukan potensi pembentukan sub-cluster. Peneliti juga melakukan perbandingan clustering dengan sub-cluster dan tanpa sub-cluster.
Penelitian ini menggunakan 1000 data dan 16 variabel. Hasil penelitian ini menunjukkan clustering dengan sub-cluster memiliki hasil clustering lebih baik daripada clustering tanpa sub-cluster dari performa clustering, uji ANOVA, dan interpretasi clustering. Clustering dengan sub-cluster mencapai akurasi silhouette score 47% dengan membagi data menjadi 3 cluster. Selanjutnya, peneliti membentuk sub-cluster pada setiap cluster karena terdapat variasi tinggi pada beberapa fitur dalam setiap cluster. Pada cluster 0, rata-rata WTP adalah Rp. 6.727,05, dengan sub-cluster 0 sebesar Rp. 5.780,63 dan sub-cluster 1 sebesar Rp. 8.214,29. Pada cluster 1, rata-rata WTP adalah Rp. 12.307,69, dengan sub-cluster 0 sebesar Rp. 11.780,30, sub-cluster 1 sebesar Rp. 14.578,95, dan sub-cluster 2 sebesar Rp. 10.203,49. Sedangkan pada cluster 2, rata-rata WTP adalah Rp. 6.098,82, dengan sub-cluster 0 sebesar Rp. 7.240,74, sub-cluster 1 sebesar Rp. 5.286,89, dan sub-cluster 2 sebesar Rp. 5.426,83. Model K-Means optimal dideploy ke website Lejja.

Kata Kunci: K-Means, WTP, Segmentasi