Penerapan Algoritma K-Means Pada Sistem Pengelompokan Data Penjualan Retail Berbasis Web
Keywords:
K-Means Clustering, Segmentasi Pelanggan, Data Penjualan Retail, Pola Pembelian, Sistem Berbasis WebAbstract
Pengelolaan data penjualan retail secara manual membutuhkan waktu yang lama dan rentan terhadap kesalahan interpretasi, terutama dalam memahami pola pembelian konsumen. Penelitian ini bertujuan untuk membangun sistem berbasis web yang mampu mengelompokkan data penjualan retail secara otomatis menggunakan algoritma K-Means Clustering berdasarkan karakteristik transaksi, meliputi jumlah barang, harga satuan, total nilai transaksi, kategori produk, lokasi transaksi, dan metode pembayaran. Dataset yang digunakan adalah data transaksi penjualan retail yang bersumber dari Kaggle, terdiri dari 12.575 baris data transaksi yang mencakup periode Januari 2022 hingga Januari 2025. Tahapan penelitian meliputi pengumpulan data, praproses data (data cleaning) untuk menangani 7.229 nilai kosong, seleksi dan encoding fitur transaksi, penentuan jumlah cluster optimal menggunakan elbow method, serta penerapan algoritma K-Means. Sistem diimplementasikan dalam bentuk aplikasi web yang menyediakan fitur unggah data, pembersihan data otomatis, proses clustering, dan visualisasi hasil berupa scatter plot serta profil tiap cluster. Hasil clustering membagi transaksi ke dalam dua kelompok, yaitu pembeli hemat, dan pembeli bernilai tinggi, yang masing-masing memiliki karakteristik pola pembelian yang berbeda. Evaluasi model menggunakan silhouette score dan Davies-Bouldin index menunjukkan bahwa pengelompokan yang terbentuk cukup baik untuk diinterpretasikan secara bisnis. Sistem ini diharapkan dapat membantu pengelola toko retail dalam mengambil keputusan bisnis yang lebih tepat sasaran berdasarkan pola pembelian yang dihasilkan.
References
[1] . Dengan begitu diketahui Silhouette Score pada K=2 sedikit lebih tinggi dibanding K=3 dan K=4, nilai K=2 dipilih karena selaras dengan titik elbow yang teridentifikasi pada Tabel 6 dan menghasilkan dua segmen pembeli yang lebih bermakna dan dapat diinterpretasikan secara bisnis. Nilai Silhouette Score yang berada pada kisaran 0,17–0,21 tergolong moderat, yang dapat dijelaskan oleh karakteristik data transaksi yang bersifat kontinu dan tidak memiliki batas pemisah alami yang tegas antar segmen. Meskipun demikian, pola perbedaan nilai transaksi antar cluster pada Tabel 5 tetap menunjukkan perbedaan yang konsisten dan dapat diinterpretasikan. Implementasi dan Pengujian Berbasis Web Seluruh proses yang telah diuraikan di atas telah berhasil diimplementasikan secara penuh dalam sistem berbasis web. Sistem berjalan sesuai alur: unggah data pada menu Upload Datasetencoding data pada menu PreprocessingElbow Method serta K-Means pada menu ClusteringDetail HasilEvaluationVisualization.Sistem berhasil membuktikan bahwa penentuan jumlah cluster tidak harus dilakukan secara asumtif, melainkan dapat diperoleh secara objektif dan otomatis melalui Elbow Method, yang dalam penelitian ini merekomendasikan K=2 sebagai konfigurasi optimal untuk data penjualan retail yang digunakan. Kesimpulan Penelitian ini berhasil membuktikan bahwa algoritma K-Means Clustering dapat diterapkan untuk mengelompokkan data penjualan retail berdasarkan karakteristik transaksi tanpa penetapan jumlah cluster secara manual. Sebelum proses clustering dijalankan, kelayakan data diukur menggunakan Hopkins Statistic yang menghasilkan nilai 0,9567 — mendekati 1,0 dan mengindikasikan bahwa data transaksi memiliki struktur cluster yang sangat kuat sehingga sangat layak dianalisis menggunakan K-Means. Melalui Elbow Method, sistem secara otomatis merekomendasikan K=2 sebagai konfigurasi optimal, yang dikonfirmasi oleh Silhouette Score sebesar 0,2086 dan Davies-Bouldin Index sebesar 1,7673 — keduanya merupakan nilai terbaik dibandingkan kandidat K lainnya. Hasil clustering membagi 12.575 transaksi menjadi dua kelompok: Pembeli Reguler (7.669 transaksi, 61,0%, rata-rata $67,44) dan Pembeli Premium (4.906 transaksi, 39,0%, rata-rata $227,98), dengan perbedaan utama terletak pada pola kuantitas dan nilai pembelian, bukan pada preferensi kategori produk, lokasi, maupun metode pembayaran. Dari sisi pengembangan sistem, seluruh tahapan analisis berhasil diintegrasikan ke dalam aplikasi berbasis web yang dapat dioperasikan tanpa keahlian teknis pemrograman. Sistem ini menjawab kesenjangan penelitian terdahulu yang umumnya berhenti pada tahap analisis tanpa menyediakan antarmuka yang dapat digunakan langsung oleh pengelola retail. Dengan demikian, tujuan penelitian telah tercapai dan sistem ini diharapkan dapat menjadi alat bantu pengambilan keputusan bisnis yang efektif bagi pelaku usaha retail. Referensi
[2] S. P. E-commerce, “Implementasi Algoritma Clustering K-Means untuk,” vol. 6, no. 3, pp. 1680–1686, 2025.
[3] Nurmilayanti and N. Hartono, “Implementasi Metode Clustering Sebagai Penunjang Strategi dalam Manajemen Pelanggan,” J. Fasilkom, vol. 13, no. 3, pp. 605–613, 2023, doi: 10.37859/jf.v13i3.5617.
[4] I. R. Effendy, Y. A. Manurung, and M. I. Hujaifah, “Implementasi Algoritma K-means Clustering untuk Mencari Preferensi Pelanggan Toko Online Tazeee Clothes JURNAL MEDIA INFORMATIKA [ JUMIN ],” vol. 7, no. 1, pp. 69–76, 2026.
[5] H. Safitri, S. Putri, L. Geni, F. Merry, and M. Wati, “Penerapan K-Means Clustering untuk Segmentasi Konsumen E-Commerce Berdasarkan Pola Pembelian,” vol. 7, pp. 89–99, 2025.
[6] A. Yusak, N. Rumapea, D. Pratiwi, and S. Sari, “Analisis Segmentasi Pelanggan Ritel Online Menggunakan K-Means Clustering Berdasarkan Model Recency , Frequency , Monetary ( RFM ),” vol. 6, no. 3, pp. 292–299, 2024.
[7] B. T. Kristanti, A. Junaidi, and E. P. Mandyartha, “Implementasi K-Means Clustering Dalam Segmentasi Pelanggan Berdasarkan Usia, Pendapatan, Dan Model Rfm (Studi Kasus: Lantikya Store Jombang),” J. Inform. dan Tek. Elektro Terap., vol. 12, no. 3, 2024, doi: 10.23960/jitet.v12i3.4677.
[8] A. A. Alya Putri and S. A. Rahmah, “Implementasi Data Mining Dengan Algoritma K-Means Clustering Untuk Analisis Bisnis Pada Perusahaan Asuransi,” Djtechno J. Teknol. Inf., vol. 5, no. 1, pp. 139–152, 2024, doi: 10.46576/djtechno.v5i1.4537.
[9] A. Dzakiroh and E. Widodo, “Implementasi Algoritma K-Means Untuk Segmentasi Siswa Dalam Pembentukan Kelas Unggulan,” vol. 11, no. 1, pp. 34–43, 2025.
[10] A. Agung, A. Daniswara, and I. K. D. Nuryana, “Data Preprocessing Pola Pada Penilaian Mahasiswa Program Profesi Guru,” vol. 05, pp. 97–100, 2023.
[11] A. K. Clustering and G. Belajar, “Aplikasi Data Mining Menggunakan Algoritma K-Means Clustering untuk Mengelompokkan Mahasiswa Berdasarkan Gaya Belajar,” vol. 12, 2022, doi: 10.34010/jati.v12i1.
[12] L. P. Wiwien Widhyastuti, I. N. Sukajaya, and K. Y. Ernanda Aryanto, “Customer Profiling berdasarkan Model RFM dengan Metode K-Means pada Institusi Pendidikan untuk menunjang Strategi,” JTIM J. Teknol. Inf. dan Multimed., vol. 4, no. 2, pp. 94–108, 2022.
[13] S. Adinda Hermawan, D. R. Sari Dewi Hartanto, D. M. Wiharta, and I. M. Arsa Suyadnya, “Visualisasi Data Pengelompokkan Kelulusan Mahasiswa Dengan Algoritma Clustering K-Means,” J. SPEKTRUM, vol. 11, no. 1, p. 86, 2024, doi: 10.24843/spektrum.2024.v11.i01.p10.
[14] D. E. Putri and E. P. W. Mandala, “Penerapan K-Means Clustering dalam Segmentasi Siswa Berdasarkan Status Sosial Ekonomi,” Progresif J. Ilm. Komput., vol. 21, no. 2, p. 483, 2025, doi: 10.35889/progresif.v21i2.2809.
[15] Y. Hasan, “Pengukuran Silhouette Score dan Davies-Bouldin Index pada Hasil Cluster,” Kumpul. Artik. Karya Ilm. Fak. Ilmu Komput., vol. 06, no. 01, pp. 60–74, 2024.
[16] R. Rianti, R. Andarsyah, and R. M. Awangga, “Penerapan PCA dan Algoritma Clustering untuk Analisis Mutu Perguruan Tinggi di LLDIKTI Wilayah IV,” Nuansa Inform., vol. 18, no. 2, pp. 67–77, 2024, doi: 10.25134/ilkom.v18i2.211.
