PERBANDINGAN ALGORITMA K-MEANS DAN K-MEDOIDS DALAM KLASTERISASI DATA PENJUALAN PADA TOKO FROZEN FOOD XYZ

Abstract

Toko Frozen Food XYZ menghadapi permasalahan dalam pengelolaan stok akibat banyaknya variasi produk dan perbedaan pola penjualan antarproduk, yang berpotensi menyebabkan penumpukan stok dan meningkatnya risiko kedaluwarsa. Penelitian ini bertujuan untuk membandingkan kinerja algoritma K-Means dan K-Medoids dalam melakukan klasterisasi data penjualan guna membantu pengelolaan persediaan secara lebih efektif. Data yang digunakan merupakan data transaksi penjualan periode Januari hingga Maret 2025 sebanyak 16.447 transaksi, yang kemudian diproses melalui tahapan preprocessing meliputi restrukturisasi, agregasi, dan normalisasi data. Variabel yang digunakan dalam klasterisasi adalah Jumlah Terjual dan Frekuensi Penjualan. Penentuan jumlah cluster optimal dilakukan menggunakan Elbow Method dan menghasilkan nilai K = 5 pada kedua algoritma. Kualitas hasil clustering dievaluasi menggunakan Silhouette Coefficient dan Davies-Bouldin Index (DBI). Hasil penelitian menunjukkan bahwa kedua algoritma menghasilkan pola klasterisasi yang konsisten, dengan dominasi produk berpenjualan rendah pada cluster terbesar dan hanya sedikit produk yang memiliki performa penjualan tinggi. Nilai Silhouette Coefficient sebesar 0,669 untuk K-Means dan 0,668 untuk K-Medoids menunjukkan kualitas cluster yang hampir sama, sedangkan nilai DBI sebesar 0,477 pada K-Means dan 0,480 pada K-Medoids menunjukkan bahwa K-Means sedikit lebih unggul dalam pemisahan cluster. Dengan demikian, kedua metode dinilai relevan untuk klasterisasi data penjualan, namun K-Means direkomendasikan sebagai metode yang lebih optimal untuk membantu pengambilan keputusan pengelolaan stok pada Toko Frozen Food XYZ