Priyatna, Bayu
Universitas Buana Perjuangan

Published : 2 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search

Algoritma K-Means Clustering Untuk Segmentasi Produk Kosmetik Terlaris Berdasarkan Volume Penjualan Salsabila, Nasya; Tukino, Tukino; Hananto, Agustia; Priyatna, Bayu
EXPERT: Jurnal Manajemen Sistem Informasi dan Teknologi Vol 15, No 1 (2025): June
Publisher : Universitas Bandar Lampung (UBL)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36448/expert.v15i1.4318

Abstract

Wardah, sebagai salah satu merek kosmetik lokal yang menonjol, berhasil menarik minat konsumen dengan menghadirkan produk-produk berkualitas, bersertifikat halal, serta memiliki harga yang terjangkau. Dengan semakin ketatnya persaingan dalam industri ini, penting bagi perusahaan untuk memanfaatkan data penjualan secara lebih efektif guna merancang strategi bisnis dan pemasaran yang lebih presisi. Menganalisis data penjualan berdasarkan produk yang terjual sangat penting untuk memahami dinamika pasar dan preferensi konsumen. Penelitian ini memanfaatkan algoritma K-Means Clustering untuk melakukan segmentasi produk berdasarkan data penjualan, dengan fokus pada dua variabel utama, yaitu jumlah unit yang terjual dan nilai total penjualan. Hasil penentuan jumlah klaster optimal menggunakan metode Elbow dan Davies-Bouldin Index (DBI) menunjukkan bahwa lima klaster memberikan pemisahan dan kekompakan data terbaik, dengan nilai DBI terendah sebesar 0,7772. Analisis lebih lanjut terhadap klaster menunjukkan bahwa Klaster 0 merupakan kelompok terbesar, mencakup 65 produk atau sekitar 46,76% dari total. Produk dalam klaster ini memiliki harga rata-rata yang rendah, yaitu sekitar Rp38.733, dengan total penjualan mencapai lebih dari Rp31 juta. Sementara itu, klaster 1 terdiri dari hanya 8 produk (5,76%), namun memiliki harga rata-rata paling tinggi, yakni Rp227.000. Meski jumlah penjualannya lebih kecil, klaster ini mengindikasikan keberadaan produk-produk premium atau eksklusif. Klaster 2 mencakup 40 produk (28,78%) dengan harga rata-rata sekitar Rp100.016 dan total penjualan mencapai hampir Rp49 juta. Klaster 3 menonjol dengan jumlah varian rata-rata yang tinggi (6 varian per produk), total penjualan tertinggi yaitu sekitar Rp68,5 juta, dan volume penjualan terbesar dengan 1.073 unit terjual. Klaster ini terdiri dari 23 produk (16,55%) dan menunjukkan bahwa meskipun jumlah produknya lebih sedikit, kontribusinya terhadap total penjualan sangat signifikan. Terakhir, klaster 4 merupakan klaster terkecil dengan hanya 3 produk (2,16%), namun memiliki jumlah varian sangat tinggi, rata-rata mencapai 20,67 varian per produk, dan harga menengah ke atas sekitar Rp88.781. Secara keseluruhan, hasil klasterisasi ini memberikan wawasan penting untuk strategi bisnis, seperti penentuan harga, pengelolaan stok, dan penargetan promosi berdasarkan karakteristik masing-masing kelompok produk.
Implementasi Data Mining dalam Pengelompokan Data Pembelian Menggunakan Algoritma K-Means Pada PT.Otomotif 1 Susilo, Denis Dwi; Hilabi, Shofa Shofiah; Priyatna, Bayu; Novalia, Elfina
Jutisi : Jurnal Ilmiah Teknik Informatika dan Sistem Informasi Vol 13, No 1: April 2024
Publisher : STMIK Banjarbaru

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35889/jutisi.v13i1.1836

Abstract

This research is based on the problems of PT. AUTOMOTIVE 1 which is having difficulty monitoring products that consumers are interested in. The research aims to group buyer data using the K-Means algorithm. This research uses transaction data at PT. AUTOMOTIVE 1 during January 2016, with a total of 30 valid transaction records. The analysis process involves using the K-Means algorithm to group transaction data into three clusters, namely: the most popular cluster, the least popular cluster, and the least popular cluster. This research provides valuable insight for PT. AUTOMOTIVE 1 in developing their marketing strategy and inventory management. Applying the clustering method using the K-Means algorithm can help companies optimize their marketing strategy and inventory management.Keywords: Clustering Analysis; K-Means; Purchase; Marketing strategy; Transaction Data AbstrakPenelitian ini didasarkan pada permasalahan PT. OTOMOTIF 1 yang mengalami kesulitan dalam memantau produk yang diminati konsumen. Penelitian bertujuan untuk mengelompokkan data pembelian menggunakan algoritma K-Means. Penelitian ini menggunakan data transaksi pada PT. OTOMOTIF 1 selama Januari 2016, dengan total 30 rekaman transaksi yang valid. Proses analisis melibatkan penggunaan algoritma K-Means untuk mengelompokkan data transaksi menjadi tiga klaster, yaitu: klaster yang paling diminati, klaster yang sedikit diminati, dan klaster yang kurang diminati. Penelitian ini memberikan wawasan yang berharga bagi PT. OTOMOTIF 1 dalam mengembangkan strategi pemasaran dan manajemen persediaan barang mereka. Penerapan metode clustering dengan menggunakan algoritma K-Means dapat membantu perusahaan mengoptimalkan strategi pemasaran dan manajemen persediaan barang mereka.Â