Analisis Perbandingan Implementasi Algoritma K-Means dan K-Medoids dalam Menentukan Cluster Penjualan Produk dan Segmentasi Pelanggan

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