<![CDATA[Abstrak -- Clustering adalah teknik analisis data yang digunakan untuk mengelompokkan data ke dalam kelompok-kelompok berdasarkan karakteristik yang sama. Tantangan utama dalam pengelompokan adalah menentukan jumlah cluster yang optimal, karena hal ini secara signifikan berdampak pada kualitas hasil. Penelitian ini menggunakan algoritma K-Means untuk mengelompokkan data, yang bertujuan untuk mengidentifikasi jumlah cluster yang optimal dengan menggunakan Silhouette Score dan untuk mengungkap karakteristik unik dari setiap cluster. Penelitian ini mengadopsi pendekatan Knowledge Discovery in Database (KDD), yang meliputi pemilihan data, pra-pemrosesan, transformasi, penggalian data, dan evaluasi hasil. Eksperimen dilakukan untuk menentukan jumlah cluster yang optimal, yang diukur dengan Silhouette Score, sebuah metrik yang mengevaluasi kualitas pengelompokan dengan menilai seberapa baik titik-titik data sesuai dengan cluster yang ditugaskan dibandingkan dengan yang lain. Hasilnya menunjukkan bahwa jumlah cluster yang optimal adalah dua (k=2), dengan Silhouette Score sebesar 0,361658. Analisis lebih lanjut mengidentifikasi dua karakteristik yang berbeda dalam data: Cluster 0, ditandai dengan nilai stok yard dan kilogram di bawah rata-rata, dan Cluster 1, ditandai dengan nilai stok yard dan kilogram di atas rata-rata. Studi ini menyimpulkan bahwa algoritma K-Means, yang dioptimalkan menggunakan Silhouette Score, secara efektif mengidentifikasi pola yang signifikan dalam data, memberikan wawasan yang berharga untuk manajemen stok. Temuan ini diharapkan dapat mendukung pengambilan keputusan strategis dalam manajemen stok, terutama dalam merumuskan kebijakan berdasarkan karakteristik unik dari setiap klaster yang teridentifikasi.]]>
