MODEL PENGELOMPOKAN DATA PENJUALAN RITEL UNTUK EFISIENSI MENGGUNAKAN ALGORITMA K-MEANS

Abstract

Dalam era digital, pengelolaan data penjualan yang kompleks menjadi tantangan bagi perusahaan dalam meningkatkan efisiensi operasional dan strategi bisnis. Penelitian ini menerapkan K-Means Clustering untuk mengelompokkan data penjualan guna mengidentifikasi pola pembelian pelanggan. Metode yang digunakan mengikuti framework CRISP-DM, mencakup pemahaman bisnis, eksplorasi data, persiapan, pemodelan, evaluasi, dan implementasi.
Hasil penelitian menunjukkan bahwa data penjualan terbagi ke dalam lima klaster dengan karakteristik berbeda: Klaster 0 (278 item), Klaster 1 (226 item), Klaster 2 (150 item), Klaster 3 (156 item), dan Klaster 4 (190 item). Klaster 4 memiliki homogenitas tertinggi dengan nilai Silhouette Score 29.067, menjadikannya klaster terbaik dalam analisis ini. Evaluasi menggunakan Davies-Bouldin Index (0.994) menunjukkan pemisahan klaster yang optimal. Model ini membantu optimalisasi stok, strategi pemasaran yang lebih tepat sasaran, dan efisiensi distribusi, sehingga meningkatkan daya saing bisnis.