<![CDATA[Perkembangan teknologi informasi mendorong transformasi dalam pengelolaan data, termasuk pada manajemen persediaan barang. PT XYZ, selaku distributor suku cadang kendaraan roda dua di Palembang, menghadapi kendala dalam memahami karakteristik permintaan produk karena data historis penjualan belum dimanfaatkan secara optimal untuk keperluan analisis. Kondisi ini berpotensi menimbulkan inefisiensi operasional berupa penumpukan stok maupun kekosongan barang. Penelitian ini bertujuan untuk mengelompokkan produk berdasarkan pola permintaan menggunakan algoritma K-Means guna membantu perusahaan menyusun strategi pengelolaan stok yang lebih efektif. Metodologi yang diterapkan adalah Cross-Industry Standard Process for Data Mining (CRISP-DM) untuk proses penambangan data dan model Waterfall untuk pengembangan sistem. Pengolahan data dan implementasi algoritma K-Means dilakukan menggunakan bahasa pemrograman Python dengan library pandas untuk pengolahan data, scikit-learn untuk algoritma K-Means dan evaluasi Silhouette Score, serta framework Streamlit untuk implementasi aplikasi berbasis web. Dataset mencakup 1.250 jenis produk unik dengan total 51.055 baris data transaksi periode Januari 2021 hingga November 2024. Hasil klasterisasi membagi produk ke dalam tiga kategori: 97,4% (1.217 produk) dalam kategori ‘Kurang Laris’, 2,3% (29 produk) kategori ‘Laris’, dan 0,3% (4 produk) kategori ‘Sangat Laris’. Kualitas model divalidasi menggunakan Silhouette Score sebesar 0,939, yang menunjukkan kualitas pengelompokan yang sangat tinggi dan andal]]>
