Algoritma K-Means Clustering Untuk Segmentasi Produk Kosmetik Terlaris Berdasarkan Volume Penjualan

Nasya Salsabila, Tukino Tukino, Agustia Hananto, Bayu Priyatna

Abstract


Wardah, sebagai salah satu merek kosmetik lokal yang menonjol, berhasil menarik minat konsumen dengan menghadirkan produk-produk berkualitas, bersertifikat halal, serta memiliki harga yang terjangkau. Dengan semakin ketatnya persaingan dalam industri ini, penting bagi perusahaan untuk memanfaatkan data penjualan secara lebih efektif guna merancang strategi bisnis dan pemasaran yang lebih presisi. Menganalisis data penjualan berdasarkan produk yang terjual sangat penting untuk memahami dinamika pasar dan preferensi konsumen. Penelitian ini memanfaatkan algoritma K-Means Clustering untuk melakukan segmentasi produk berdasarkan data penjualan, dengan fokus pada dua variabel utama, yaitu jumlah unit yang terjual dan nilai total penjualan. Hasil penentuan jumlah klaster optimal menggunakan metode Elbow dan Davies-Bouldin Index (DBI) menunjukkan bahwa lima klaster memberikan pemisahan dan kekompakan data terbaik, dengan nilai DBI terendah sebesar 0,7772. Analisis lebih lanjut terhadap klaster menunjukkan bahwa Klaster 0 merupakan kelompok terbesar, mencakup 65 produk atau sekitar 46,76% dari total. Produk dalam klaster ini memiliki harga rata-rata yang rendah, yaitu sekitar Rp38.733, dengan total penjualan mencapai lebih dari Rp31 juta. Sementara itu, klaster 1 terdiri dari hanya 8 produk (5,76%), namun memiliki harga rata-rata paling tinggi, yakni Rp227.000. Meski jumlah penjualannya lebih kecil, klaster ini mengindikasikan keberadaan produk-produk premium atau eksklusif. Klaster 2 mencakup 40 produk (28,78%) dengan harga rata-rata sekitar Rp100.016 dan total penjualan mencapai hampir Rp49 juta. Klaster 3 menonjol dengan jumlah varian rata-rata yang tinggi (6 varian per produk), total penjualan tertinggi yaitu sekitar Rp68,5 juta, dan volume penjualan terbesar dengan 1.073 unit terjual. Klaster ini terdiri dari 23 produk (16,55%) dan menunjukkan bahwa meskipun jumlah produknya lebih sedikit, kontribusinya terhadap total penjualan sangat signifikan. Terakhir, klaster 4 merupakan klaster terkecil dengan hanya 3 produk (2,16%), namun memiliki jumlah varian sangat tinggi, rata-rata mencapai 20,67 varian per produk, dan harga menengah ke atas sekitar Rp88.781. Secara keseluruhan, hasil klasterisasi ini memberikan wawasan penting untuk strategi bisnis, seperti penentuan harga, pengelolaan stok, dan penargetan promosi berdasarkan karakteristik masing-masing kelompok produk.

Keywords


Davies-Bouldin Index; K-Means Clustering; Metode Elbow; Wardah.

Full Text:

PDF

References


M. Damayanti and A. Setiawan, “Faktor-Faktor Pengaruh Keputusan Pembelian Kosmetik Wardah Generasi Milenial Di Kabupaten Semarang,” El-Iqtishod J. Ekon. Syariah, vol. 7, no. 2, pp. 1–18, 2023, doi: 10.70136/eliqtishod.v7i2.414.

E. M. Putri, P. B. Wahyudi, S. A. Zahro, S. W. Kirana, R. Hidayat, and M. Ikaningtyas, “Meningkatkan Citra Merek Untuk Memperoleh Keunggulan Bersaing Melalui Perencanaan dan Pengembangan Bisnis Yang Efektif pada Produk Kosmetik,” Econ. Bus. Manag. J., vol. 3, no. 01, pp. 134–142, 2024.

N. Kastiawan, B. Huda, E. Novalia, and F. Nurapriani, “Klasterisasi Data Obat dengan Algoritma K-Means (Kasus pada UPTD Puskesmas Curug),” J. Sains Komput. Inform. (J-SAKTI, vol. 8, no. 1, pp. 120–130, 2024.

V. Holý, O. Sokol, and M. Černý, “Clustering retail products based on customer behaviour,” Appl. Soft Comput. J., vol. 60, 2017, doi: 10.1016/j.asoc.2017.02.004.

D. S. Annam, A. Hananto, F. Nurapriani, and T. Tukino, “Clustering User Sentiment Transportasi Online Gojek Dan Grab Dengan Metode K-Means,” J. Tika, vol. 8, no. 2, 2023, doi: 10.51179/tika.v8i2.2165.

A. I. Lailani, N. A. Hasanah, D. P. Meilia, and A. Fauzi, “Strategi Pemasaran Inovatif Untuk Meningkatkan Minat Masyarakat Terhadap Produk Tabungan Di BTN Kantor Cabang Syariah Jember Menulis : Jurnal Penelitian Nusantara,” J. Penelit. Nusant., vol. 1, no. 3, pp. 442–448, 2025, doi: https://doi.org/10.59435/menulis.v1i3.137.

A. Lia Hananto et al., “Analysis of Drug Data Mining with Clustering Technique Using K-Means Algorithm,” in Journal of Physics: Conference Series, 2021. doi: 10.1088/1742-6596/1908/1/012024.

T. Tukino and B. Huda, “PENERAPAN ALGORITMA K-MEANS UNTUK MENDUKUNG KEPUTUSAN DALAM PEMILIHAN TEMA TUGAS AKHIR PADA PRODI SISTEM INFORMASI UNIVERSITAS BUANA PERJUANGAN KARAWANG.,” Techno Xplore J. Ilmu Komput. dan Teknol. Inf., vol. 4, no. 1, 2019, doi: 10.36805/technoxplore.v4i1.542.

B. Bangoria, N. Mankad, and V. Pambhar, “A survey on Efficient Enhanced K-Means Clustering Algorithm,” IJSRD -International J. Sci. Res. Dev., vol. 1, no. 9online, 2013.

F. Marisa, A. R. Wardhani, W. Purnomowati, A. V. Vitianingsih, A. L. Maukar, and E. W. Puspitarini, “POTENTIAL CUSTOMER ANALYSIS USING K-MEANS WITH ELBOW METHOD,” JIKO (Jurnal Inform. dan Komputer), vol. 7, no. 2, 2023, doi: 10.26798/jiko.v7i2.911.

S. Sugiyono and M. Ruswandi, “Pemodelan Pengolahan Citra untuk Klasifikasi Jenis Buah Pisang Menggunakan Metode KNN,” J. Pendidik. dan Konseling, vol. 4, no. 5, pp. 823–833, 2022.

N. C. Ramadhan, H. H. H, T. Rohana, and A. M. Siregar, “Optimasi Algoritma Machine Learning Menggunakan Seleksi Fitur Xgboost Untuk Klasifikasi Kanker Payudara,” TIN Terap. Inform. Nusant., vol. 5, no. 2, pp. 162–171, 2024, doi: 10.47065/tin.v5i2.5408.

F. Rachmawati, J. Jaenudin, N. B. Ginting, and P. Laksono, “Machine Learning for the Model Prediction of Final Semester Assessment (FSA) using the Multiple Linear Regression Method,” J. Tek. Inform., vol. 17, no. 1, pp. 1–9, 2024, doi: 10.15408/jti.v17i1.28652.

M. A. Syakur, B. K. Khotimah, E. M. S. Rochman, and B. D. Satoto, “Integration K-Means Clustering Method and Elbow Method for Identification of the Best Customer Profile Cluster,” in IOP Conference Series: Materials Science and Engineering, 2018. doi: 10.1088/1757-899X/336/1/012017.

Y. Sopyan, A. D. Lesmana, and C. Juliane, “Analisis Algoritma K-Means dan Davies Bouldin Index dalam Mencari Cluster Terbaik Kasus Perceraian di Kabupaten Kuningan,” Build. Informatics, Technol. Sci., vol. 4, no. 3, 2022, doi: 10.47065/bits.v4i3.2697.

I. F. Ashari, E. Dwi Nugroho, R. Baraku, I. Novri Yanda, and R. Liwardana, “Analysis of Elbow, Silhouette, Davies-Bouldin, Calinski-Harabasz, and Rand-Index Evaluation on K-Means Algorithm for Classifying Flood-Affected Areas in Jakarta,” J. Appl. Informatics Comput., vol. 7, no. 1, 2023, doi: 10.30871/jaic.v7i1.4947.

J. Han, M. Kamber, and J. Pei, Data Mining: Concepts and Techniques, 4th ed. Burlington: Morgan Kaufmann, 2022. doi: 10.1016/C2009-0-61819-5.

M. B. Hendrawan and G. Gunadi, “Segmentasi Layanan Jasa Kantor Akuntan Publik Menggunakan Algoritma K-Means Clustering,” J. Teknol. Dan Sist. Inf. Bisnis, vol. 7, no. 2, pp. 268–276, 2025.




DOI: http://dx.doi.org/10.36448/expert.v15i1.4318

Refbacks

  • There are currently no refbacks.


EXPERT: Jurnal Manajemen Sistem Informasi dan Teknologi

Published by Pusat Studi Teknologi Informasi, Fakultas Ilmu Komputer, Universitas Bandar Lampung
Gedung M Lt.2 Pascasarjana Universitas Bandar Lampung
Jln Zainal Abidin Pagaralam No.89 Gedong Meneng, Rajabasa, Bandar Lampung,
LAMPUNG, INDONESIA

Indexed by:



Creative Commons License
This work is licensed under a Creative Commons Attribution 4.0 International License.