ANALISIS SEGMENTASI PRODUK MENGGUNAKAN ALGORITMA K-MEANS CLUSTERING BERDASARKAN DATA PENJUALAN OBAT BULANAN PADA APOTEK PERJUANGAN

Saepul Huda Mubarok; Nining Rahaningsih; Irfan Ali; Indra Wiguna Marthanu

Authors

Saepul Huda Mubarok STMIK IKMI Cirebon, Indonesia
Nining Rahaningsih STMIK IKMI Cirebon, Indonesia
Irfan Ali STMIK IKMI Cirebon, Indonesia
Indra Wiguna Marthanu STMIK IKMI Cirebon, Indonesia

Keywords:

K-Means Clustering, Segmentasi Produk, Manajemen Inventori, Data Penjualan Obat

Abstract

Penelitian ini menganalisis segmentasi produk pada Apotek Perjuangan menggunakan algoritma K-Means clustering berdasarkan data penjualan obat bulanan. Tujuan utama adalah mengidentifikasi kelompok produk (fast-moving, mid-moving, slow-moving) untuk mendukung keputusan pengelolaan stok, prioritas pengadaan, dan efisiensi biaya. Data yang digunakan terdiri dari atribut jumlah terjual, harga satuan, dan total penjualan; tahap pra-pemrosesan meliputi pembersihan data, konversi tipe, dan standardisasi fitur (StandardScaler). Penentuan jumlah cluster optimal dilakukan dengan Elbow Method (WCSS) dan Silhouette Coefficient; hasil evaluasi menunjukkan K = 3 memberikan skor silhouette tertinggi (0.8934) sehingga dipilih sebagai nilai optimal. Implementasi K-Means (dengan inisialisasi K-Means++) menghasilkan tiga klaster yang dapat diinterpretasikan sebagai produk berperputaran rendah, sedang, dan tinggi. Temuan empiris memperlihatkan pola hubungan invers antara harga satuan dan volume penjualan produk berharga lebih rendah cenderung memiliki kontribusi penjualan lebih besar—mendorong rekomendasi strategi pengadaan berbeda berdasarkan segmen. Implikasi praktis penelitian ini mencakup prioritas pengadaan untuk produk fast-moving, pengurangan pembelian untuk slow-moving, dan desain kebijakan stok yang mengurangi risiko kekurangan maupun overstock sehingga menekan biaya penyimpanan. Keterbatasan penelitian meliputi penggunaan data dummy dan ukuran sampel kecil; oleh karena itu saran pengembangan mencakup penerapan pada dataset nyata yang lebih besar, perbandingan dengan algoritma lain (mis. DBSCAN, FCM), serta integrasi aspek temporal dan geografis untuk analisis longitudinal. Secara keseluruhan, studi ini menegaskan bahwa K-Means merupakan alat yang efektif dan praktis untuk segmentasi produk farmasi yang dapat meningkatkan ketepatan pengambilan keputusan inventori berbasis data.

References

T. Abu Zwaida, C. Pham, and Y. Beauregard, “Optimization of inventory management to prevent drug shortages in the hospital supply chain,” Applied Sciences, vol. 11, no. 6, p. 2726, 2021, doi: 10.3390/app11062726.

C.-N. Chen et al., “Applying simulation optimization to minimize drug inventory costs: A study of a case outpatient pharmacy,” Healthcare, vol. 10, no. 3, p. 556, 2022, doi: 10.3390/healthcare10030556.

K. Douaioui, R. Oucheikh, O. Benmoussa, and C. Mabrouki, “Machine learning and deep learning models for demand forecasting in supply chain management: A critical review,” Applied System Innovation, vol. 7, no. 5, p. 93, 2024, doi: 10.3390/asi7050093.

K. P. Fourkiotis and A. Tsadiras, “Applying machine learning and statistical forecasting methods for enhancing pharmaceutical sales predictions,” Forecasting, vol. 6, no. 1, pp. 170–186, 2024, doi: 10.3390/forecast6010010.

M. Seyedan and F. Mafakheri, “Predictive big data analytics for supply chain demand forecasting: Methods, applications, and research opportunities,” Journal of Big Data, vol. 7, p. 53, 2020, doi: 10.1186/s40537-020-00329-2.

S. Al-Hourani and D. Weraikat, “A systematic review of artificial intelligence (AI) and machine learning (ML) in pharmaceutical supply chain (PSC) resilience: Current trends and future directions,” Sustainability, vol. 17, no. 14, p. 6591, 2025, doi: 10.3390/su17146591.

R. I. Manarung, E. Widodo, and A. M. Rifai, “Sales Data Clustering Using the K-Means Algorithm to Determine Retail Product Needs,” International Journal Software Engineering and Computer Science (IJSECS), vol. 5, no. 1, pp. 226–234, 2025, doi: 10.35870/ijsecs.v5i1.4090.

D. Ayu Pradina, Y. Kurniawati, A. Syawaldi Afwan, and J. Heikal, “RFM Segmentation and K–Means Clustering of Skincare Product (Case study Scarlett),” Jurnal Sains dan Teknologi, vol. 6, no. 2, pp. 213–216, 2024, doi: 10.55338/saintek.v6i2.3644.

N. Agrawal, A. Roy, N. K. Saxena, and P. Jain, “Predictive inventory management using data mining in the retail sector,” Academy of Marketing Studies Journal, vol. 29, no. 5, pp. 1–13, 2025.