Analisis Segmentasi Tayangan Netflix Berdasarkan Metadata Menggunakan PCA, Multi-Model Clustering, dan Validasi Stabilitas Klaster

Abstrak - Pertumbuhan layanan streaming seperti Netflix menghadirkan tantangan dalam memahami preferensi pengguna serta mengelola ribuan konten yang tersedia. Oleh karena itu, diperlukan metode analisis segmentasi untuk mengidentifikasi pola distribusi konten secara lebih efisien. Penelitian ini bertujuan untuk melakukan segmentasi konten Netflix menggunakan pendekatan clustering dengan algoritma K-Means, serta membandingkan performanya dengan metode lain. Dataset yang digunakan terdiri dari 15.026 konten dengan 1.206 fitur, yang direduksi menggunakan Principal Component Analysis (PCA) menjadi 1.134 komponen dengan 95% varians tetap terjaga. Evaluasi kinerja model dilakukan menggunakan Silhouette Score dan Adjusted Rand Index (ARI). Hasil penelitian menunjukkan bahwa K-Means dengan 9 cluster merupakan metode terbaik dengan nilai Silhouette Score 0,1481 dan ARI 0,6381. Segmentasi menghasilkan distribusi yang didominasi oleh Segmen 0 (81,5%) sebagai segmen utama dan Segmen 4 (18,4%) sebagai segmen potensial, sementara segmen lainnya (1%) dikategorikan sebagai segmen niche. Temuan ini memberikan implikasi akademis berupa kontribusi dalam pengembangan metode segmentasi berbasis machine learning, serta implikasi praktis bagi industri streaming untuk mengoptimalkan strategi investasi konten, mengembangkan sistem rekomendasi, dan mengeksplorasi peluang pasar baru.Kata Kunci: Netflix; Klastering; PCA; K-Means; Silhouette Score; Adjusted Rand Index; Abstract - The rapid growth of streaming services such as Netflix poses significant challenges in understanding user preferences and managing the vast number of available contents. Therefore, content segmentation methods are required to efficiently identify distribution patterns. This study aims to perform Netflix content segmentation using the clustering approach with the K-Means algorithm, and to compare its performance with alternative methods. The dataset consists of 15,026 contents with 1,206 features, which were reduced using Principal Component Analysis (PCA) into 1,134 components while preserving 95% variance. Model performance was evaluated using the Silhouette Score and Adjusted Rand Index (ARI). The results indicate that K-Means with 9 clusters achieved the best performance, yielding a Silhouette Score of 0.1481 and an ARI of 0.6381. The segmentation revealed that Segment 0 (81.5%) dominated as the main segment and Segment 4 (18.4%) was identified as a potential segment, while the remaining clusters (1%) represented niche segments. These findings provide both academic implications by contributing to the development of machine learning-based segmentation methods, and practical implications for the streaming industry to optimize content investment strategies, improve recommendation systems, and explore new market opportunities.Keywords: Netflix; Clustering; PCA; K-Means; Silhouette Score; Adjusted Rand Index;