Optimasi Jumlah Cluster untuk Analisis Penjualan Barang Kosmetik Menggunakan K-Medoids

Authors

  • Selvina Zalfa Rindiawan Universitas Siliwangi
  • Andi Nur Rachman Universitas Siliwangi
  • Vega Purwayoga Universitas Siliwangi

DOI:

https://doi.org/10.26418/justin.v13i1.86637

Keywords:

Clustering, K-Medoids, Metode Elbow, Sillhouette Analysis, Gap Statistic

Abstract

Penelitian ini bertujuan untuk mengoptimalkan jumlah cluster dalam analisis penjualan produk kosmetik menggunakan algoritma K-Medoids pada data penjualan toko XYZ. Untuk menentukan jumlah cluster yang optimal, dengan menerapkan metode elbow, silhouette analysis, dan gap statistic dengan menggunakan Python selama analisis data dan implementasi algoritma. Dataset yang dianalisis mencakup data penjualan bulanan dengan atribut seperti jumlah unit penjualan, harga unit, dan total pendapatan. Hasil analisis diperoleh nilai bahwa k = 3 adalah jumlah cluster yang optimal. penentuan ini didukung oleh Metode elbow menunjukkan titik elbow pada k=3, di mana SSE (Sum of Squared Errors) menurun secara drastis hingga mencapai stabilitas. Silhouette analysis memberikan nilai koefisien Siluet sebesar 0,58 untuk k = 3, yang mengindikasikan kualitas klasterisasi yang cukup baik dan terpisah secara jelas. Gap statistic menunjukkan nilai gap yang besar pada k=3, mengindikasikan bahwa pengelompokan pada k=3 lebih signifikan dibandingkan dengan data acak. Dari hasil penelitian ini, terdapat tiga cluster yang optimal yaitu cluster 1 terdiri dari produk yang murah dan banyak diminati (Eyeshadow, Eyeliner, Lipstik, Mascara, dan Moisturizer), cluster 2 terdiri dari produk yang murah dan sedikit diminati (Blush On, Concealer, dan Setting Spray), dan cluster 3 termasuk produk yang mahal dan banyak diminati (Bedak, Cushion, Eyebrow, Foundation, Lipcream, Liptint, dan Sunscreen). Hasil ini memberikan wawasan penting bagi toko XYZ untuk mengelola stok dengan lebih efisien dan mendorong strategi pemasaran yang disesuaikan dengan karakteristik masing-masing cluster produk. Kombinasi K-Medoids dan metode evaluasi ini telah terbukti efektif untuk segmentasi produk, dengan potensi peningkatan efisiensi operasional dan pendapatan toko.;

References

U. Meta, “IMPLEMENTASI DATA MINING PENJUALAN KOSMETIK DENGAN ALGORITMA APRIORI SKRIPSI,†2020.

I. Maryani, O. Revianti, and H. Muhammad Nur, “Implementasi Data Mining Pada Penjualan Di Toko GOC Kosmetik Dengan Menggunakan Metode Algoritma Apriori,†2022. [Online]. Available: http://ejournal.bsi.ac.id/ejurnal/index.php/ijse92

R. Kurniawati, M. Simanjuntak, and H. Khair, “DATA MINING PENGELOMPOKAN BARANG MAKANAN RINGAN/ SNACK MENGGUNAKAN METODE CLUSTERING,†vol. 14, no. 2, 2021.

D. Maulana and S. Sundari, “Penerapan Algoritma K-Medoids Dalam Klasterisasi Penyebaran Tempat Ibadah Di Sumatera Utara,†2022.

N. Febrianti, “ritel bab 1,†2021.

R. Gustrianda and D. I. Mulyana, “Penerapan Data Mining Dalam Pemilihan Produk Unggulan dengan Metode Algoritma K-Means Dan K-Medoids,†JURNAL MEDIA INFORMATIKA BUDIDARMA, vol. 6, no. 1, p. 27, Jan. 2022, doi: 10.30865/mib.v6i1.3294.

D. A. Manalu and G. Gunadi, “IMPLEMENTASI METODE DATA MINING K-MEANS CLUSTERING TERHADAP DATA PEMBAYARAN TRANSAKSI MENGGUNAKAN BAHASA PEMROGRAMAN PYTHON PADA CV DIGITAL DIMENSI,†Infotech: Journal of Technology Information, vol. 8, no. 1, pp. 43–54, Jun. 2022, doi: 10.37365/jti.v8i1.131.

PILLI SRI DURGA, J. A. PAULSON, and MARRI SRINIVASAREDDY, “Customer segmentation analysis for improving sales using clustering,†International Journal of Science and Research Archive, vol. 9, no. 2, pp. 708–715, Aug. 2023, doi: 10.30574/ijsra.2023.9.2.0663.

W. Chenguang, “EFFICIENT CUSTOMER SEGMENTATION IN DIGITAL MARKETING USING DEEP LEARNING WITH SWARM INTELLIGENCE APPROACH,†2022, Accessed: May 22, 2024. [Online]. Available: https://www.sciencedirect.com/science/article/abs/pii/S0306457322001868

H. Mahmoud, “algoritma pengelompokan yang digunakan dalam ilmu data & penambangan,†2021, Accessed: May 22, 2024. [Online]. Available: https://ichi.pro/id/17-algoritma-clustering-digunakan-dalam-data-science-mining-81209146996378#google_vignette

S. Sindi et al., “ANALISIS ALGORITMA K-MEDOIDS CLUSTERING DALAM PENGELOMPOKAN PENYEBARAN COVID-19 DI INDONESIA,†Jurnal Teknologi Informasi, vol. 4, no. 1, 2020.

H. L. Ramadhania, “APPLICATION OF SILLHOUETTE COEFFICIENT METHOD, ELBOW METHOD, AND STATISTIC GAP METHOD IN DETERMINING OPTIMAL K IN K-MEDOIDS ANALYSIS,†2022.

I. Kamila, U. Khairunnisa, P. Studi Sistem Informasi, and F. Sains dan Teknologi UIN Sultan Syarif Kasim Riau, “Perbandingan Algoritma K-Means dan K-Medoids untuk Pengelompokan,†Jurnal Ilmiah Rekayasa dan Manajemen Sistem Informasi, vol. 5, no. 1, pp. 119–125, 2019.

E. Prasetyaningrum and P. Susanti, “JURNAL MEDIA INFORMATIKA BUDIDARMA Perbandingan Algoritma K-Means Dan K-Medoids Untuk Pemetaan Hasil Produksi Buah-Buahan,†vol. 7, pp. 1775–1783, 2023, doi: 10.30865/mib.v7i4.6477.

A. Supriyadi et al., “PERBANDINGAN ALGORITMA K-MEANS DENGAN K-MEDOIDS PADA PENGELOMPOKAN ARMADA KENDARAAN TRUK BERDASARKAN PRODUKTIVITAS,†2021.

D. Ayu, I. C. Dewi, and K. Pramita, “Analisis Perbandingan Metode Elbow dan Sillhouette pada Algoritma Clustering K-Medoids dalam Pengelompokan Produksi Kerajinan Bali,†2019.

S. Nurlaela, A. Primajaya, T. Nur Padilah, and U. H. Singaperbangsa Karawang Jl Ronggowaluyo, “ALGORITMA K-MEDOIDS UNTUK CLUSTERING PENYAKIT MAAG DI KABUPATEN KARAWANG,†Jurnal Informatika, Manajemen dan Komputer, vol. 12, no. 2, 2020.

N. A. Maori, “METODE ELBOW DALAM OPTIMASI JUMLAH CLUSTER PADA K-MEANS CLUSTERING,†Jurnal SIMETRIS, vol. 14, 2023.

M. Elfan, “Memahami Metode Silhouette Score dalam Analisis Klastering,†2023, Accessed: Jun. 11, 2024. [Online]. Available: https://www.penelitian.id/2023/12/memahami-metode-silhouette-score-dalam.html#:~:text=Dalam%20dunia%20analisis%20klastering%2C%20metode%20Silhouette%20Score%20adalah,dengan%20klaster%20yang%20ditempatinya%2C%20dibandingkan%20dengan%20klaster%20lainnya.

R. Tibshirani, G. Walther, and T. Hastie, “Estimating the number of clusters in a data set via the gap statistic,†2001.

Downloads

Published

2025-02-02

Issue

Vol. 13 No. 1 (2025)

Section

Articles

License

Copyright (c) 2025 JUSTIN (Jurnal Sistem dan Teknologi Informasi)

Creative Commons License

This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.

The author owns the copyright in his paper and agrees to publish his paper to JUSTIN by giving the rights to the first publication of his paper which is simultaneously licensed under the Creative Commons Attribution License, namely the Similar International 4.0 license (CC BY-NC-SA 4.0).  

                             

This is a human-readable summary of (and not a substitute for) the license. Disclaimer.

You are free to:
Share "” copy and redistribute the material in any medium or format
Adapt "” remix, transform, and build upon the material
The licensor cannot revoke these freedoms as long as you follow the license terms.

Under the following terms:
Attribution "” You must give appropriate credit, provide a link to the license, and indicate if changes were made. You may do so in any reasonable manner, but not in any way that suggests the licensor endorses you or your use.
NonCommercial "” You may not use the material for commercial purposes.
ShareAlike "” If you remix, transform, or build upon the material, you must distribute your contributions under the same license as the original.
No additional restrictions "” You may not apply legal terms or technological measures that legally restrict others from doing anything the license permits.

Notices:
You do not have to comply with the license for elements of the material in the public domain or where your use is permitted by an applicable exception or limitation.
No warranties are given. The license may not give you all of the permissions necessary for your intended use. For example, other rights such as publicity, privacy, or moral rights may limit how you use the material.