ANALISIS CLUSTERING PRODUK BUAH MENGGUNAKAN ALGORITMA K-MEDOID DENGAN EVALUASI DAVIES BOULDIN INDEX

Abstract

Produk buah merupakan komoditas hortikultura yang memiliki peran penting dalam pemenuhan kebutuhan gizi masyarakat serta kontribusi terhadap perekonomian, khususnya pada sektor agribisnis ritel. Namun, pengelolaan produk buah di tingkat pengecer masih menghadapi berbagai permasalahan, antara lain tingginya variasi jenis produk, perbedaan kualitas, fluktuasi harga, serta sifat produk yang mudah rusak. Pada praktiknya, pengelompokan produk buah masih banyak dilakukan secara manual dan subjektif berdasarkan pengalaman pengelola, sehingga belum mampu memanfaatkan data yang tersedia secara optimal. Kondisi ini menyebabkan pengambilan keputusan terkait penataan produk, pengelolaan stok, dan strategi pemasaran menjadi kurang efektif. Oleh karena itu, diperlukan pendekatan berbasis data untuk mengelompokkan produk buah secara objektif dan sistematis. Penelitian ini bertujuan untuk menganalisis pengelompokan produk buah menggunakan algoritma K-Medoid serta mengevaluasi kualitas cluster yang dihasilkan dengan menggunakan Davies–Bouldin Index (DBI). Data yang digunakan merupakan data produk buah yang diperoleh dari Pusat Buah Pati, dengan atribut yang mencerminkan karakteristik produk, seperti nama produk, kode barcode, kategori, dan satuan penjualan. Metode penelitian mengacu pada tahapan Knowledge Discovery in Databases (KDD), yang meliputi seleksi data, preprocessing, transformasi data, proses clustering, dan evaluasi hasil. Algoritma K-Medoid dipilih karena memiliki keunggulan dalam menangani data kategorikal dan lebih robust terhadap outlier dibandingkan metode clustering berbasis centroid. Untuk menentukan jumlah cluster yang optimal, dilakukan pengujian jumlah cluster mulai dari K = 2 hingga K = 20, kemudian dievaluasi menggunakan Davies–Bouldin Index, di mana nilai DBI yang lebih kecil menunjukkan kualitas pengelompokan yang lebih baik. Hasil penelitian menunjukkan bahwa algoritma K-Medoid mampu mengelompokkan produk buah ke dalam beberapa cluster yang memiliki karakteristik serupa secara jelas dan konsisten. Pengujian berbagai nilai K menghasilkan nilai Davies–Bouldin Index yang bervariasi, sehingga memungkinkan penentuan jumlah cluster optimal secara objektif. Cluster yang terbentuk dapat merepresentasikan kelompok produk buah berdasarkan kesamaan kategori dan satuan penjualan, yang berpotensi dimanfaatkan dalam pengelolaan stok, penataan display produk, serta perumusan strategi pemasaran. Dengan demikian, penelitian ini membuktikan bahwa penerapan algoritma K-Medoid dengan evaluasi Davies–Bouldin Index dapat menjadi solusi analitis yang efektif dalam pengelompokan produk buah berbasis data.