Klasterisasi Produk Berdasarkan Pola Penjualan Menggunakan K-Means

Waras Tri Wijaya (Universitas Duta Bangsa Surakarta)
Ilham Khoiri (Universitas Duta Bangsa Surakarta)
Alfi Fadli (Universitas Duta Bangsa Surakarta)
Dina Asritama (Universitas Duta Bangsa Surakarta)

Prosiding Seminar Nasional Teknologi Informasi dan Bisnis
Prosiding Seminar Nasional Teknologi Informasi dan Bisnis (SENATIB) 2026

Pesatnya perkembangan teknologi informasi menyebabkan akumulasi data penjualan dalam volume yang besar, yang berpotensi dimanfaatkan untuk mendukung proses pengambilan keputusan bisnis. Akan tetapi, data tersebut umumnya hanya tersimpan sebagai laporan administratif tanpa dianalisis lebih lanjut, sehingga informasi mengenai kinerja setiap produk belum dapat dimanfaatkan secara optimal. Penelitian ini bertujuan mengelompokkan produk berdasarkan pola penjualannya menggunakan algoritma K-Means Clustering guna menghasilkan informasi yang relevan bagi pengelolaan persediaan dan perumusan strategi pemasaran. Data yang digunakan adalah dataset Sample Superstore yang terdiri atas 9.994 transaksi dan diagregasi menjadi 1.850 produk dengan lima fitur, yaitu total penjualan, jumlah unit terjual, profit, rata-rata diskon, dan margin keuntungan. Tahapan penelitian meliputi agregasi data, standardisasi Z-score, penanganan outlier, penentuan jumlah klaster menggunakan metode Elbow dan Silhouette, serta penerapan algoritma K-Means. Seluruh tahapan tersebut diimplementasikan dalam sebuah sistem berbasis web yang dikembangkan menggunakan pustaka React dengan bahasa pemrograman JavaScript. Hasil penelitian menunjukkan bahwa jumlah klaster optimal adalah tiga, yang diperoleh berdasarkan metode Elbow dan Silhouette Score sebesar 0,400. Nilai Silhouette tersebut menunjukkan bahwa hasil pengelompokan memiliki kualitas yang cukup baik, di mana objek dalam setiap klaster memiliki tingkat kemiripan yang lebih tinggi terhadap anggota klasternya dibandingkan dengan klaster lain sehingga pemisahan antar klaster dapat dikatakan memadai. Tiga klaster yang terbentuk merepresentasikan produk dengan tingkat penjualan tinggi, sedang, dan rendah, sehingga mampu memberikan gambaran karakteristik kinerja produk yang dapat membantu perusahaan dalam menentukan prioritas persediaan, mengevaluasi kebijakan diskon, serta merancang strategi promosi secara lebih efektif. Dengan demikian, algoritma K-Means Clustering terbukti dapat diterapkan sebagai pendekatan data mining yang mampu menghasilkan informasi strategis dari data penjualan produk untuk mendukung pengambilan keputusan bisnis.