PENERAPAN ALGORITMA K-MEANS CLUSTERING DALAM PENGELOMPOKAN DATA PENJUALAN SUPERMARKET BERDASARKAN CABANG (BRANCH)

Abstract

Penjualan ritel, terutama dalam konteks supermarket, merupakan aspek krusial dalam operasional bisnis yang memerlukan pengelolaan data yang efisien. Penelitian ini dilakukan untuk mengeksplorasi implementasi algoritma K-Means clustering dalam mengelompokkan data penjualan dari berbagai cabang supermarket, dengan fokus utama pada peningkatan efisiensi operasional dan strategi penjualan. Dalam era digital saat ini, penjualan supermarket menghasilkan volume besar dan data penjualan yang kompleks setiap hari. Pengelolaan dan pemahaman data ini menjadi tantangan signifikan, terutama ketika terdapat banyak cabang yang tersebar luas. Algoritma K-Means clustering telah terbukti sebagai metode yang efektif dalam menyelesaikan permasalahan semacam ini. Metode ini memungkinkan pengelompokkan data penjualan ke dalam kelompok-kelompok yang memiliki karakteristik serupa, mempermudah analisis dan pengambilan keputusan. Studi ini mengumpulkan data historis penjualan dari berbagai cabang supermarket. Data diproses terlebih dahulu untuk memastikan kualitasnya sebelum menerapkan algoritma K-Means clustering. Hasil pengelompokan data dianalisis secara menyeluruh untuk mengidentifikasi pola penjualan utama. Analisis ini menjadi dasar untuk meningkatkan efisiensi operasional setiap toko, termasuk manajemen inventaris dan strategi penjualan. Tujuan penelitian ini adalah untuk memahami cara mengoptimalkan pengelolaan data penjualan supermarket menggunakan algoritma K-Means clustering. Hasilnya menunjukkan bahwa toko dapat dikelompokkan menjadi dua kelompok utama, yaitu kelompok cabang besar (cluster 0) dan kelompok cabang kecil (cluster 1). Penerapan algoritma K-Means clustering memungkinkan pengelompokkan data penjualan supermarket berdasarkan toko, memberikan kontribusi signifikan terhadap pemahaman dan pengelolaan data penjualan secara lebih efisien. Evaluasi model dengan indeks Davies Bouldin menghasilkan nilai sebesar 0.375, menunjukkan keberhasilan tinggi dalam mengelompokkan data.