ANALISIS SEGMENTASI PRODUK STOK TOMORO COFFEE MENGGUNAKAN ALGORITMA K-MEANS

Abstract

Pertumbuhan pesat Tomoro Coffee menuntut pengelolaan persediaan yang lebih efisien, terutama karena variasi perputaran produk sering menyebabkan penumpukan stok (overstock) maupun kekurangan stok (stockout) pada cabang tertentu. Ketidakseimbangan ini berdampak pada biaya operasional, risiko kerugian bahan baku, serta ketidakpuasan pelanggan. Oleh karena itu, diperlukan pendekatan analitik yang mampu mengelompokkan produk berdasarkan pola penjualan dan karakteristik inventori. Penelitian ini bertujuan menerapkan algoritma K-Means Clustering untuk melakukan segmentasi produk stok di Tomoro Coffee Ciremai. Metodologi yang digunakan mengadopsi tahapan Knowledge Discovery in Databases (KDD), meliputi seleksi data, pembersihan data, transformasi data, penentuan jumlah klaster optimal menggunakan Elbow Method dan Silhouette Score, serta evaluasi kesesuaian hasil. Dataset terdiri atas data stok dan penjualan historis selama periode observasi. Hasil penelitian menunjukkan bahwa nilai optimal klaster adalah K = 3, yang menghasilkan tiga segmen produk utama: (1) Fast Moving, dengan tingkat penjualan tinggi dan rotasi cepat; (2) Slow Moving, dengan pergerakan moderat; dan (3) Overstock/Dead Stock, yaitu produk dengan penjualan rendah namun stok tinggi. Segmentasi ini memberikan dasar strategis bagi pengambilan keputusan, termasuk pengaturan restock, kontrol pembelian, dan pengurangan risiko pemborosan. Penelitian menyimpulkan bahwa algoritma K-Means efektif dalam melakukan segmentasi produk stok dan dapat mendukung manajemen inventori yang lebih akurat dan efisien. Studi lanjutan disarankan untuk menambahkan variabel margin keuntungan, tren musiman, serta integrasi metode peramalan.