Integrating K-Means Clustering and Apriori for Data Mining-Based Digital Marketing Strategy For Increasing UMKM: Study Case Stabat City
Notice bibliographique
Résumé
Micro, Small, and Medium Enterprises (MSMEs) or UMKM in Bahasa are play a crucial role in regional economic development, yet they often face challenges in designing effective marketing strategies due to limited access to advanced analytical tools. Digital marketing supported by data mining offers a solution to this problem by enabling more precise customer segmentation and product bundling recommendations. This study aims to integrate K-Means clustering and Apriori association rule mining to develop data-driven marketing strategies for MSMEs in Stabat City, Indonesia, with a specific focus on rice sales data. A dataset consisting of 1,000 rice sales transactions was processed through a multi-stage methodology, including data preprocessing, clustering, and association rule generation. The Elbow and Silhouette methods suggested an optimal cluster number of k = 3, resulting in three distinct customer groups: (1) loyal high-value buyers, (2) price-sensitive buyers, and (3) premium-oriented buyers. Descriptive statistics highlighted differences in average transaction values, purchase frequency, and brand preferences across clusters. Apriori analysis produced the top ten significant association rules, such as {Medium Rice} → {Pandan Wangi Rice} with support = 0.14, confidence = 0.68, and lift = 1.23. Promotional simulations showed that generic discount campaigns could increase sales by approximately 3.0%, whereas targeted bundling strategies yielded smaller short-term gains (+1.53%) but offered stronger long-term potential, particularly for premium-oriented clusters. These findings are consistent with prior international studies, where customer segmentation combined with market basket analysis has proven effective for enhancing digital marketing outcomes. The study concludes that integrating clustering and association rules can provide MSMEs with actionable insights to optimize promotional strategies and improve competitiveness. However, limitations remain, including the relatively small dataset, reliance on manual parameter selection, and simplified modeling assumptions. Future research should expand to multi-sector datasets and explore advanced algorithms to validate and extend these findings.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».