ANALISIS CLUSTERING MENGGUNAKAN ALGORITMA K-MEANS UNTUK PENGELOMPOKAN DATA PENJUALAN E-COMMERCE

Abstract

Pesatnya pertumbuhan industri E-Commerce menghasilkan volume data transaksi yang masif, menyimpan pola tersembunyi mengenai perilaku pembelian dan profitabilitas produk yang krusial bagi bisnis. Namun, perusahaan sering kali menghadapi kendala dalam mengolah data mentah berdimensi tinggi ini menjadi wawasan strategis, mengakibatkan ketidakefisienan dalam alokasi pemasaran dan manajemen stok. Penelitian ini bertujuan untuk mengimplementasikan teknik Data Mining menggunakan algoritma K-Means Clustering guna mengelompokkan data penjualan berdasarkan karakteristik transaksi, mengadopsi metodologi Knowledge Discovery in Databases (KDD) yang meliputi pembersihan data, seleksi fitur, dan standardisasi menggunakan Standard Scaler. Atribut utama meliputi harga produk, diskon, kuantitas, total pendapatan, biaya pengiriman, margin keuntungan, dan usia pelanggan. Penentuan jumlah cluster optimal (K) dilakukan dengan membandingkan metode Elbow dan Silhouette Score. Hasil evaluasi menetapkan K=4 sebagai jumlah cluster paling optimal, memetakan data ke dalam: (1) Cluster "Premium/High Value" (rata-rata belanja dan margin tertinggi, volume kecil); (2) Cluster "Mass Market" (volume terbesar, nilai rendah); (3) Cluster "Mid-Tier" (kategori menengah); dan (4) Cluster "Discount Seekers" (didominasi diskon tinggi). Disimpulkan bahwa K-Means efektif dalam memisahkan pola transaksi menjadi segmen yang dapat ditindaklanjuti, memberikan landasan bagi manajemen untuk merancang strategi yang lebih terarah, seperti program loyalitas eksklusif dan promosi efisien.