<![CDATA[The purpose of this study is to evaluate the extent to which product clustering results influence consumer satisfaction. Excess inventory can lead to overcrowded and inefficient storage, especially since food, beverages, and other products have expiration dates. Currently, Toko Habib still manages inventory manually, which is time-inefficient and prone to errors. To address this issue, data mining techniques are employed. The technique used in this study is K-means clustering, one of the most popular algorithms due to its ease of implementation. This analysis utilizes the K-means clustering algorithm to categorize data in order to identify fast-selling and slow-selling products, while also preventing product overstock in the warehouse. Clustering is one of the functionalities of data mining, where the clustering algorithm groups a set of data into specific clusters. After clustering, three clusters were selected as the initial centroids. The final results showed that 14 items were highly popular, 42 items were popular, and 160 items were less popular. With these results, Toko Habib can implement policies to maintain the loyalty of potential customers and manage products effectively.Keywords: Data Mining, K-Means Algorithm; Cluster Analysis; Toko Habib AbstrakPenelitian ini bertujuan untuk mengevaluasi sejauh mana hasil pengelompokan produk mempengaruhi kepuasan kebutuhan konsumen, Persediaan yang berlebih dapat menyebabkan gudang menjadi penuh sesak dan tidak efisien, terutama karena makanan, minuman, dan produk lainnya mempunyai tanggal kadaluwarsa. Saat ini Toko Habib masih melakukan pengelolaan persediaan secara manual sehingga tidak efisien waktu dan rawan kesalahan. Untuk mengatasi permasalahan tersebut digunakan adalah K-means clustering yang merupakan salah satu algoritma yang populer karena mudah diimplementasikan. Analisis ini menggunakan algoritma clustering K-means yang dapat mengelompokkan data untuk mengetahui produk laris dan tidak laris, dan juga mencegah penumpukan produk di gudang. Clustering merupakan salah satu fungsionalitas data mining, algoritma clustering merupakan algoritma pengelompokkan sejumlah data menjadi kelompok–kelompok data tertentu (cluster). Setelah pengelompokan, dipilih tiga cluster sebagai centroid awal. Hasil akhirnya menunjukkan 14 barang sangat laris, 42 barang laris, dan 160 barang kurang laris. Dengan hasil ini, Toko Habib dapat menerapkan kebijakan untuk mempertahankan loyalitas pelanggan potensial dan mengelola produk secara efektif.Kata Kunci: Data Mining; Algoritma K-Means; Clustering; Toko Habib]]>
