<![CDATA[Abstrak – Data penjualan di usaha ritel seperti toko sembako memiliki potensi besar sebagai dasar pengambilan keputusan bisnis, khususnya dalam menentukan produk yang paling diminati konsumen. Namun, pengelolaan data yang masih manual menyebabkan ketidakefektifan dan risiko ketidaksesuaian stok. Penelitian ini bertujuan untuk mengelompokkan 12 produk sembako di Toko Sri berdasarkan tingkat penjualan menggunakan metode K-Means Clustering, dengan memanfaatkan 1.000 data transaksi penjualan periode Januari hingga Desember 2024. Proses analisis mengikuti kerangka Knowledge Discovery in Databases (KDD) yang mencakup tahap seleksi, preprocessing, transformasi, data mining, dan evaluasi. Hasil penelitian menunjukkan bahwa K-Means mampu mengelompokkan produk menjadi tiga klaster, yaitu sangat laku (Kopi Sachet dan Beras 1kg), laku (Sabun Mandi, Minyak Goreng 1L, Detergen Sachet, Gula 1kg, dan Teh Sachet), serta kurang laku (Mie Instan, Shampoo Sachet, Air Mineral Botol, Susu Sachet, dan Telur 1kg). Kebaruan penelitian ini terletak pada penerapan metode clustering berbasis data pada toko sembako skala kecil yang selama ini masih beroperasi secara tradisional, sekaligus menghasilkan pengelompokan tingkat penjualan yang dapat digunakan langsung sebagai dasar pengambilan keputusan manajemen stok dan strategi penjualan oleh pemilik usaha. Kata kunci : Data Mining; K-Means; Clustering; Penjualan; Abstract – Sales data in retail businesses such as grocery stores holds significant potential as a foundation for business decision-making, particularly in identifying the most in-demand products. However, manual data management practices lead to inefficiencies and stock discrepancy risks. This study aims to classify 12 grocery products at Sri Store based on sales performance using the K-Means Clustering algorithm, utilizing 1,000 transaction records from January to December 2024. The analysis follows the Knowledge Discovery in Databases (KDD) framework, encompassing selection, preprocessing, transformation, data mining, and evaluation stages. The results demonstrate that K-Means successfully grouped products into three clusters: high-selling (Sachet Coffee and Rice 1kg), medium-selling (Bar Soap, Cooking Oil 1L, Sachet Detergent, Sugar 1kg, and Sachet Tea), and low-selling (Instant Noodles, Sachet Shampoo, Bottled Water, Sachet Milk, and Eggs 1kg). The novelty of this study lies in applying a data-driven clustering approach to a small-scale traditional grocery store, producing actionable product segmentation that can directly support inventory management and sales strategy decisions for small business owners. Keywords : Data Mining; K-Means; Clustering; Sale;]]>
