MODEL PENGELOMPOKAN DATA PENJUALAN RITEL UNTUK EFISIENSI MENGGUNAKAN ALGORITMA K-MEANS
Cyber, Education and Research · 04.03.2025 · 4 (1)
DOI: 10.58660/cer.v4i1.88 ↗Kurz gefasst
Fachartikel in der Zeitschrift Cyber, Education and Research, online erschienen am 04.03.2025. Verfasst von Nurhadiansyah und 2 weiteren Autor:innen.
Abstract (Originalsprache)
Dalam era digital, pengelolaan data penjualan yang kompleks menjadi tantangan bagi perusahaan dalam meningkatkan efisiensi operasional dan strategi bisnis. Penelitian ini menerapkan K-Means Clustering untuk mengelompokkan data penjualan guna mengidentifikasi pola pembelian pelanggan. Metode yang digunakan mengikuti framework CRISP-DM, mencakup pemahaman bisnis, eksplorasi data, persiapan, pemodelan, evaluasi, dan implementasi.Hasil penelitian menunjukkan bahwa data penjualan terbagi ke dalam lima klaster dengan karakteristik berbeda: Klaster 0 (278 item), Klaster 1 (226 item), Klaster 2 (150 item), Klaster 3 (156 item), dan Klaster 4 (190 item). Klaster 4 memiliki homogenitas tertinggi dengan nilai Silhouette Score 29.067, menjadikannya klaster terbaik dalam analisis ini. Evaluasi menggunakan Davies-Bouldin Index (0.994) menunjukkan pemisahan klaster yang optimal. Model ini membantu optimalisasi stok, strategi pemasaran yang lebih tepat sasaran, dan efisiensi distribusi, sehingga meningkatkan daya saing bisnis.
Zitieren
APA
Nurhadiansyah, Faqih, A., & Pratama, F. A. (2025). MODEL PENGELOMPOKAN DATA PENJUALAN RITEL UNTUK EFISIENSI MENGGUNAKAN ALGORITMA K-MEANS. Cyber, Education and Research, 4(1). https://doi.org/10.58660/cer.v4i1.88
Vancouver
Nurhadiansyah, Faqih A, Pratama FA. MODEL PENGELOMPOKAN DATA PENJUALAN RITEL UNTUK EFISIENSI MENGGUNAKAN ALGORITMA K-MEANS. Cyber, Education and Research. 2025;4(1). doi:10.58660/cer.v4i1.88
BibTeX
@article{Nurhadiansyah2025,
author = {Nurhadiansyah and Faqih, Ahmad and Pratama, Fidya Arie},
title = {MODEL PENGELOMPOKAN DATA PENJUALAN RITEL UNTUK EFISIENSI MENGGUNAKAN ALGORITMA K-MEANS},
journal = {Cyber, Education and Research},
year = {2025},
volume = {4},
number = {1},
doi = {10.58660/cer.v4i1.88}
}
EUVIMED