Abstract:
Penelitian ini membandingkan kinerja algoritma K-Means dan K-Medoids dalam
melakukan clustering pada data penjualan produk dan segmentasi pelanggan, serta
algoritma mana yang lebih optimal berdasarkan metrik evaluasi DBI (DaviesBouldin Index) dan Silhouette Coefficient. Penelitian ini bertujuan untuk
memberikan pemahaman yang lebih mendalam tentang efektivitas dan efisiensi dua
algoritma clustering yang berbeda dalam konteks data penjualan produk dan
segmentasi pelanggan, serta untuk memberikan rekomendasi yang dapat digunakan
oleh PT XYZ dalam meningkatkan strategi bisnis. Data yang digunakan adalah data
transaksi penjualan yang dikumpulkan dari Juli 2020 hingga Mei 2024. Hasil
penelitian menunjukkan bahwa untuk segmentasi pelanggan, metode K-Medoids
menghasilkan cluster yang lebih baik dengan tiga cluster: cluster 1 dengan 46
pelanggan, cluster 2 dengan 76 pelanggan, dan cluster 3 dengan 62 pelanggan.
Sementara itu, untuk clustering produk, metode K-Medoids juga memberikan hasil
yang lebih optimal dengan empat cluster: cluster 1 dengan 52 produk, cluster 2
dengan 12 produk, cluster 3 dengan 20 produk, dan cluster 4 dengan 53 produk.
Pemahaman dari hasil cluster ini memungkinkan perusahaan untuk merumuskan
strategi pemasaran yang lebih tepat, mengembangkan produk sesuai dengan
kebutuhan pasar, serta meningkatkan kepuasan pelanggan dan profitabilitas. Hasil
penelitian ini memberikan panduan praktis bagi perusahaan untuk meningkatkan
efisiensi operasional dan efektivitas strategi pemasaran melalui penggunaan metode
clustering yang lebih tepat
