PENERAPAN ALGORITMA K-MEANS CLUSTERING UNTUK MENGANALISIS DATA PENJUALAN BARANG

Abstrak

Toko Armanda saat ini masih menerapkan sistem pencatatan transaksi secara manual, sehingga data penjualan yang ada belum dimanfaatkan secara optimal untuk mendukung pengambilan keputusan bisnis, khususnya dalam pengelolaan stok dan strategi pemasaran. Penelitian ini bertujuan untuk merancang dan membangun sistem Point of Sale (POS) berbasis web yang terintegrasi dengan metode Data Mining menggunakan algoritma K-Means Clustering untuk menganalisis pola penjualan barang. Pengembangan sistem dilakukan menggunakan metode Waterfall, sedangkan proses pengolahan data menerapkan tahapan Knowledge Discovery in Database (KDD). Penentuan jumlah cluster optimal dilakukan menggunakan metode Elbow dan menghasilkan nilai k=3. Berdasarkan hasil pengujian terhadap 1.342 data transaksi yang diperoleh pada periode September hingga Oktober 2025 dan dikelompokkan menjadi 200 produk unik, terbentuk tiga kelompok produk yaitu: Cluster 2 (High Sale) sebanyak 143 produk (71,5%) yang mendominasi penjualan harian dengan harga terjangkau, Cluster 3 (Medium Sale) sebanyak 48 produk (24%), dan Cluster 1 (Slow Sale) sebanyak 9 produk (4,5%) yang memiliki nilai jual tinggi namun frekuensi penjualan rendah. Evaluasi kualitas cluster menggunakan Davies-Bouldin Index (DBI) menghasilkan nilai 0.536 dan Silhouette Score sebesar 0.617, yang menunjukkan struktur pengelompokan yang valid dan optimal. Sistem ini direkomendasikan untuk membantu pemilik toko dalam memprioritaskan ketersediaan stok pada barang High Sale dan menjaga efisiensi modal pada barang Slow Sale.

Armanda Store currently implements a manual transaction recording system, causing sales data to be underutilized in supporting business decision-making, particularly in inventory management and marketing strategies. This study aims to design and develop a web-based Point of Sale (POS) system integrated with Data Mining techniques using the K-Means Clustering algorithm to analyze product sales patterns. The system development follows the Waterfall methodology, while data processing adopts the Knowledge Discovery in Database (KDD) stages. The optimal number of clusters was determined using the Elbow method, resulting in a value of k = 3. Based on testing conducted on 1,342 transaction records collected from September to October 2025 and grouped into 200 unique products, three product clusters were formed: Cluster 2 (High Sale) consisting of 143 products (71.5%) that dominate daily sales with affordable prices, Cluster 3 (Medium Sale) consisting of 48 products (24%), and Cluster 1 (Slow Sale) consisting of 9 products (4.5%) characterized by high selling prices but low sales frequency. Cluster quality evaluation using the Davies-Bouldin Index (DBI) produced a value of 0.536, and the Silhouette Score reached 0.617, indicating a valid and optimal clustering structure. This system is recommended to assist store owners in prioritizing stock availability for High Sale products and maintaining capital efficiency for Slow Sale products.