IMPLEMENTASI ALGORITMA K-MEANS CLUSTERING UNTUK SEGMENTASI PERFORMA PENJUALAN PRODUK EUNOLA COFFEE SPACE

Abu Hanifah

Authors

Abu Hanifah STMIK IKMI Cirebon, Indonesia

Keywords:

Data Mining, Eunola Coffee Space, K-Means Clustering, Penjualan Produk

Abstract

Penelitian ini dilatarbelakangi oleh kebutuhan Eunola Coffee Space dalam memanfaatkan data penjualan sebagai dasar pengambilan keputusan bisnis yang lebih objektif. Banyaknya variasi produk menyebabkan manajemen perlu mengetahui kelompok produk dengan performa tinggi, menengah, dan rendah agar strategi stok, promosi, bundling, serta evaluasi menu dapat dilakukan secara lebih terarah. Tujuan penelitian ini adalah mengetahui karakteristik data penjualan produk, menerapkan algoritma K-Means Clustering, serta menguraikan hasil segmentasi performa produk sebagai dasar rekomendasi strategi bisnis. Metode penelitian menggunakan pendekatan data mining dengan alur CRISP-DM, dimulai dari business understanding, data understanding, data preparation, modeling, evaluation, hingga interpretation. Data yang digunakan berasal dari laporan penjualan internal Eunola Coffee Space periode November–Desember 2024 dan Januari–Februari 2025 dalam format PDF. Data diekstraksi menggunakan Python dan pdfplumber, kemudian diproses melalui pembersihan data, standardisasi kolom, konversi nilai numerik, penggabungan periode, agregasi produk, validasi data, dan normalisasi menggunakan StandardScaler. Fitur yang digunakan dalam clustering adalah jumlah terjual, penjualan, dan laba kotor. Hasil penelitian menunjukkan bahwa data awal berjumlah 59 baris dan setelah agregasi menghasilkan 48 produk unik, dengan total 17.244 unit terjual, total penjualan Rp410.741.500, dan total laba kotor Rp410.255.500. Pemodelan K-Means dengan K=3 menghasilkan tiga cluster, yaitu Best Seller sebanyak 1 produk, Middle Performer sebanyak 15 produk, dan Low Performer sebanyak 32 produk. Evaluasi internal menghasilkan Silhouette Score 0,6010, Davies-Bouldin Index 0,4368, dan Calinski-Harabasz Index 111,58, yang menunjukkan kualitas cluster cukup baik. Temuan penelitian menunjukkan bahwa Kopi Susu Eunola + menjadi produk paling dominan, sedangkan kategori Espresso Based memberikan kontribusi penjualan terbesar. Hasil segmentasi dapat digunakan sebagai dasar rekomendasi bisnis untuk mempertahankan produk unggulan, memperkuat produk penopang, dan mengevaluasi produk berperforma rendah.

References

N. Gautam and N. Kumar, “Customer segmentation using K-Means clustering for developing sustainable marketing strategies,” Bus. Informatics, vol. 16, no. 1, pp. 72–82, 2022, doi: 10.17323/2587-814X.2022.1.72.82.

Y. Putri, D. Aldo, and W. Ilham, “Retail marketing strategy optimization: Customer segmentation with artificial intelligence integration and K-Means clustering,” Sink. J. dan Penelit. Tek. Inform., vol. 8, no. 4, pp. 2155–2163, 2024, doi: 10.33395/sinkron.v8i4.14000.

R. I. Manarung, E. Widodo, and A. M. Rifai, “Sales data clustering using the K-Means algorithm to determine retail product needs,” Int. J. Softw. Eng. Comput. Sci., vol. 5, no. 1, pp. 226–234, 2025, doi: 10.35870/ijsecs.v5i1.4090.

M. A. Triansyah, B. Wijayanto, and A. A. Paramestuti, “Implementation of K-Means on packaged coffee sales data for simulating goods entry in sole proprietorship businesses,” J. Tek. Inform., vol. 6, no. 4, pp. 2392–2404, 2025, doi: 10.52436/1.jutif.2025.6.4.5245.

B. K. Kristanto, S. W. P. Listio, M. Amien, and P. I. Baskoro, “Visit recommendation model: Recursive K-Means clustering analysis of retail sales data,” J. Appl. Informatics Comput., vol. 8, no. 1, pp. 221–225, 2024, doi: 10.30871/jaic.v8i1.8138.

C. Chairunnita, A. Handayanto, and F. Dewanto, “Penerapan algoritma K-Means Clustering dalam analisis pengelompokan produk toko oleh-oleh berdasarkan data penjualan,” J. Inf. Syst. Res., vol. 6, no. 4, pp. 1816–1825, 2025, doi: 10.47065/josh.v6i4.7832.

D. A. Imanuel and G. Alfian, “Visualisasi segmentasi pelanggan berdasarkan atribut RFM menggunakan algoritma K-Means untuk memahami karakteristik pelanggan pada toko retail online,” J. Teknol. Inf. dan Ilmu Komput., vol. 12, no. 2, pp. 145–156, 2025, doi: 10.25126/jtiik.2025128619.

C. Schröer, F. Kruse, and J. M. Gómez, “A systematic literature review on applying CRISP-DM process model,” Procedia Comput. Sci., vol. 181, pp. 526–534, 2021, doi: 10.1016/j.procs.2021.01.199.

K. Tabianan, S. Velu, and V. Ravi, “K-Means clustering approach for intelligent customer segmentation using customer purchase behavior data,” Sustainability, vol. 14, no. 12, p. 7243, 2022, doi: 10.3390/su14127243.

I. F. Ashari, E. D. Nugroho, R. Baraku, I. N. Yanda, and R. Liwardana, “Analysis of Elbow, Silhouette, Davies-Bouldin, Calinski-Harabasz, and Rand-Index Evaluation on K-Means Algorithm for Classifying Flood-Affected Areas in Jakarta,” J. Appl. Informatics Comput., vol. 7, no. 1, pp. 95–103, 2023, doi: 10.30871/jaic.v7i1.4947.

B. N. Yulisasih, Herman, Sunardi, and H. Yuliansyah, “Evaluation of K-Means Clustering Using Silhouette Score Method on Customer Segmentation,” Ilk. J. Ilm., vol. 16, no. 3, pp. 330–342, 2024, doi: 10.33096/ilkom.v16i3.2325.330-342.